root_mean_squared_error#

sklearn.metrics.root_mean_squared_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')[Quelle]#

Wurzel aus dem mittleren quadratischen Fehler für die Regression.

Lesen Sie mehr im Benutzerhandbuch.

Hinzugefügt in Version 1.4.

Parameter:
y_truearray-ähnlich mit Form (n_samples,) oder (n_samples, n_outputs)

Wahrheitsgetreue (korrekte) Zielwerte.

y_predarray-ähnlich mit Form (n_samples,) oder (n_samples, n_outputs)

Geschätzte Zielwerte.

sample_weightarray-like der Form (n_samples,), Standardwert=None

Stichprobengewichte.

multioutput{‘raw_values’, ‘uniform_average’} oder array-ähnlich mit Form (n_outputs,), Standard=‘uniform_average’

Definiert die Aggregation mehrerer Ausgabewerte. Ein Array-ähnlicher Wert definiert Gewichte, die zur Mittelung von Fehlern verwendet werden.

‘raw_values’

Gibt einen vollständigen Satz von Fehlern im Falle einer Multioutput-Eingabe zurück.

‘uniform_average’

Die Fehler aller Ausgaben werden mit einheitlichem Gewicht gemittelt.

Gibt zurück:
lossfloat oder ndarray von Floats

Ein nicht-negativer Gleitkommawert (der beste Wert ist 0.0) oder ein Array von Gleitkommawerten, einer für jedes einzelne Ziel.

Beispiele

>>> from sklearn.metrics import root_mean_squared_error
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> root_mean_squared_error(y_true, y_pred)
0.612...
>>> y_true = [[0.5, 1],[-1, 1],[7, -6]]
>>> y_pred = [[0, 2],[-1, 2],[8, -5]]
>>> root_mean_squared_error(y_true, y_pred)
0.822...