平均絕對誤差#
- sklearn.metrics.mean_absolute_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')[來源]#
平均絕對誤差迴歸損失。
在使用者指南中閱讀更多。
- 參數:
- y_true形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類陣列
真實(正確)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。類陣列值定義用於平均誤差的權重。
- ‘raw_values’
在多輸出輸入的情況下,返回一組完整的誤差。
- ‘uniform_average’
所有輸出的誤差以均勻權重平均。
- 返回:
- loss浮點數或浮點數陣列
如果 multioutput 為 ‘raw_values’,則分別返回每個輸出的平均絕對誤差。如果 multioutput 為 ‘uniform_average’ 或權重的 ndarray,則返回所有輸出誤差的加權平均值。
MAE 輸出為非負浮點數。最佳值為 0.0。
範例
>>> 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...