d2_pinball_score

sklearn.metrics.d2_pinball_score(y_true, y_pred, *, sample_weight=None, alpha=0.5, multioutput='uniform_average')

\(D^2\) 回归评分函数，解释了分位数损失的比例。

最佳得分是1.0，但也可能是负的（因为模型可能任意差）。一个总是使用 y_true 的经验alpha分位数作为常数预测的模型，忽略输入特征， 得到一个0.0的:math:D^2 分数。

更多信息请参阅:ref:用户指南 <d2_score> 。

Added in version 1.1.

Parameters:

y_true类数组，形状为 (n_samples,) 或 (n_samples, n_outputs)

真实目标值。

y_pred类数组，形状为 (n_samples,) 或 (n_samples, n_outputs)

估计的目标值。

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

样本权重。

alpha浮点数, 默认=0.5

分位数偏差的斜率。它决定了分位数水平alpha， 对于该分位数水平，分位数偏差和D2是最优的。 默认的 alpha=0.5 等同于 d2_absolute_error_score 。

multioutput{‘raw_values’, ‘uniform_average’} 或 形状为 (n_outputs,) 的类数组, 默认=’uniform_average’

定义多个输出值的聚合方式。 类数组值定义了用于平均分数的权重。

‘raw_values’ :

在多输出输入的情况下返回一组完整的误差。

‘uniform_average’ :

所有输出的分数以均匀权重平均。

Returns:

score浮点数或浮点数数组

带有分位数偏差的:math:D^2 分数， 如果 multioutput='raw_values' ，则为分数数组。

Notes

像:math: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）。

对于单个点，此度量没有很好的定义，如果n_samples小于两个，将返回NaN值。

References

[1]

Koenker, Roger; Machado, José A. F. (1999). “Goodness of Fit and Related Inference Processes for Quantile Regression” 中的Eq. (7)

[2]

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

Examples

>>> from sklearn.metrics import d2_pinball_score
>>> y_true = [1, 2, 3]
>>> y_pred = [1, 3, 3]
>>> d2_pinball_score(y_true, y_pred)
0.5
>>> d2_pinball_score(y_true, y_pred, alpha=0.9)
0.772...
>>> d2_pinball_score(y_true, y_pred, alpha=0.1)
-1.045...
>>> d2_pinball_score(y_true, y_true, alpha=0.1)
1.0