d2_log_loss_score

sklearn.metrics.d2_log_loss_score(y_true, y_pred, *, sample_weight=None, labels=None)

\(D^2\) 评分函数，解释的对数损失分数。

最佳分数是1.0，并且它可以是负的（因为模型可以任意地差）。一个总是预测 y_true 的每个类别的比例，忽略输入特征的模型，得到一个D^2分数为0.0。

在 用户指南 中阅读更多内容。

Added in version 1.5.

Parameters:

y_true类数组或标签指示矩阵

实际标签，用于n_samples个样本。

y_pred形状为(n_samples, n_classes)或(n_samples,)的类数组

预测概率，由分类器的predict_proba方法返回。如果 y_pred.shape = (n_samples,) ，提供的概率被假定为正类的概率。 y_pred 中的标签被假定为按字母顺序排列，如:class:~sklearn.preprocessing.LabelBinarizer 所做的那样。

sample_weight形状为(n_samples,)的类数组，默认=None

样本权重。

labels类数组，默认=None

如果未提供，将从y_true中推断标签。如果 labels 为 None 且 y_pred 的形状为(n_samples,)，则假定标签为二进制，并从 y_true 中推断。

Returns:

d2浮点数或浮点数数组

D^2分数。

Notes

这不是一个对称函数。

像R^2一样，D^2分数可能是负的（它不一定是一个量D的平方）。

对于单个样本，此度量没有明确定义，如果n_samples小于两个，将返回NaN值。