mean_tweedie_deviance#

sklearn.metrics.mean_tweedie_deviance(y_true, y_pred, *, sample_weight=None, power=0)[Quelle]#

Mittlerer Tweedie-Devianz-Verlust für die Regression.

Lesen Sie mehr im Benutzerhandbuch.

Parameter:
y_truearray-ähnlich mit Form (n_samples,)

Wahrheitsgetreue (korrekte) Zielwerte.

y_predarray-ähnlich mit Form (n_samples,)

Geschätzte Zielwerte.

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

Stichprobengewichte.

powerfloat, Standard=0

Tweedie-Potenzparameter. Entweder power <= 0 oder power >= 1.

Je höher p, desto weniger Gewicht wird extremen Abweichungen zwischen tatsächlichen und vorhergesagten Zielwerten beigemessen.

  • power < 0: Extreme stabile Verteilung. Erfordert: y_pred > 0.

  • power = 0 : Normale Verteilung, Ausgabe entspricht mean_squared_error. y_true und y_pred können beliebige reelle Zahlen sein.

  • power = 1 : Poisson-Verteilung. Erfordert: y_true >= 0 und y_pred > 0.

  • 1 < p < 2 : Compound-Poisson-Verteilung. Erfordert: y_true >= 0 und y_pred > 0.

  • power = 2 : Gamma-Verteilung. Erfordert: y_true > 0 und y_pred > 0.

  • power = 3 : Inverse Gauß-Verteilung. Erfordert: y_true > 0 und y_pred > 0.

  • andere : Positive stabile Verteilung. Erfordert: y_true > 0 und y_pred > 0.

Gibt zurück:
lossfloat

Ein nicht-negativer Gleitkommawert (der beste Wert ist 0.0).

Beispiele

>>> from sklearn.metrics import mean_tweedie_deviance
>>> y_true = [2, 0, 1, 4]
>>> y_pred = [0.5, 0.5, 2., 2.]
>>> mean_tweedie_deviance(y_true, y_pred, power=1)
1.4260...