d2_absolute_error_score

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

\(D^2\) 回归评分函数，解释的绝对误差分数。

最佳可能得分是1.0，它可能是负的（因为模型可能任意地更差）。一个总是使用 y_true 的经验中位数作为常数预测的模型，忽略输入特征， 得到一个 \(D^2\) 得分为0.0。

更多信息请参阅 用户指南 。

Added in version 1.1.

Parameters:

y_truearray-like of shape (n_samples,) or (n_samples, n_outputs)

真实目标值（正确）。

y_predarray-like of shape (n_samples,) or (n_samples, n_outputs)

估计的目标值。

sample_weightarray-like of shape (n_samples,), default=None

样本权重。

multioutput{‘raw_values’, ‘uniform_average’} or array-like of shape (n_outputs,), default=’uniform_average’

定义多个输出值的聚合方式。 数组类型的值定义了用于平均得分的权重。

‘raw_values’ :

在多输出输入的情况下返回一组完整的误差。

‘uniform_average’ :

所有输出的得分以均匀权重进行平均。

Returns:

scorefloat or ndarray of floats

带有绝对误差偏差的 \(D^2\) 得分，如果 ‘multioutput’ 是 ‘raw_values’，则返回得分的ndarray。

Notes

像 \(R^2\) 一样，\(D^2\) 得分可能是负的 （它不一定是一个量 D 的平方）。

此度量对于单个样本未定义良好，如果 n_samples 小于两个，将返回 NaN 值。

References

[1]

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

Examples

>>> 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)
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')
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)
1.0
>>> y_true = [1, 2, 3]
>>> y_pred = [2, 2, 2]
>>> d2_absolute_error_score(y_true, y_pred)
0.0
>>> y_true = [1, 2, 3]
>>> y_pred = [3, 2, 1]
>>> d2_absolute_error_score(y_true, y_pred)
-1.0