d2_absolute_error_score

sklearn.metrics.d2_absolute_error_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')

\(D^2\) 回歸評分函數，解釋的絕對誤差比例。

最佳分數為 1.0，且可能為負值（因為模型可能任意變差）。一個總是使用 y_true 的經驗中位數作為常數預測，而忽略輸入特徵的模型，其 \(D^2\) 分數為 0.0。

請參閱使用者指南以了解更多資訊。

於 1.1 版本新增。

參數:

y_true形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列

真實（正確）的目標值。

y_pred形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列

估計的目標值。

sample_weight形狀為 (n_samples,) 的類陣列，預設值為 None

樣本權重。

multioutput{‘raw_values’, ‘uniform_average’} 或形狀為 (n_outputs,) 的類陣列，預設值為 ‘uniform_average’

定義多個輸出值的聚合方式。類陣列值定義用於平均分數的權重。

‘raw_values’

在多輸出輸入的情況下，返回完整的錯誤集合。

‘uniform_average’

所有輸出的分數以均勻權重平均。

返回:

score浮點數或浮點數的 ndarray

具有絕對誤差偏差的 \(D^2\) 分數，如果 ‘multioutput’ 為 ‘raw_values’，則為分數的 ndarray。

注意事項

與 \(R^2\) 類似，\(D^2\) 分數可能為負值（它實際上不必是數量 D 的平方）。

此度量對於單一樣本定義不明確，如果 n_samples 小於 2，則會返回 NaN 值。

參考文獻

[1]

Hastie, Trevor J.、Robert Tibshirani 和 Martin J. Wainwright 的 Eq. (3.11) 。“Statistical Learning with Sparsity: The Lasso and Generalizations.” (2015). https://hastie.su.domains/StatLearnSparsity/

範例

>>> from sklearn.metrics import d2_absolute_error_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> d2_absolute_error_score(y_true, y_pred)
np.float64(0.764...)
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> d2_absolute_error_score(y_true, y_pred, multioutput='uniform_average')
np.float64(0.691...)
>>> d2_absolute_error_score(y_true, y_pred, multioutput='raw_values')
array([0.8125    , 0.57142857])
>>> y_true = [1, 2, 3]
>>> y_pred = [1, 2, 3]
>>> d2_absolute_error_score(y_true, y_pred)
np.float64(1.0)
>>> y_true = [1, 2, 3]
>>> y_pred = [2, 2, 2]
>>> d2_absolute_error_score(y_true, y_pred)
np.float64(0.0)
>>> y_true = [1, 2, 3]
>>> y_pred = [3, 2, 1]
>>> d2_absolute_error_score(y_true, y_pred)
np.float64(-1.0)