mean_absolute_error#

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

Mittlerer absoluter Fehler für die Regression.

Der mittlere absolute Fehler ist ein nicht-negativer Gleitkommawert, dessen bester Wert 0,0 ist. Lesen Sie mehr im Benutzerhandbuch.

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 Array von Floats

Wenn multioutput 'raw_values' ist, wird der mittlere absolute Fehler für jede Ausgabe separat zurückgegeben. Wenn multioutput 'uniform_average' oder ein ndarray von Gewichten ist, wird der gewichtete Durchschnitt aller Ausgabefehler zurückgegeben.

Die MAE-Ausgabe ist ein nicht-negativer Gleitkommawert. Der beste Wert ist 0,0.

Beispiele

>>> from sklearn.metrics import mean_absolute_error
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> mean_absolute_error(y_true, y_pred)
0.5
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> mean_absolute_error(y_true, y_pred)
0.75
>>> mean_absolute_error(y_true, y_pred, multioutput='raw_values')
array([0.5, 1. ])
>>> mean_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.85...