explained_variance_score

sklearn.metrics.explained_variance_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', force_finite=True)

方差解释回归评分函数。

最佳得分是1.0，较低的值更差。

在 y_true 为常数的特定情况下，方差解释得分不是有限的：它要么是 NaN （完美预测），要么是 -Inf （不完美预测）。为了防止这种非有限数污染更高层次的实验，例如网格搜索交叉验证，默认情况下这些情况分别被替换为1.0（完美预测）或0.0（不完美预测）。如果 force_finite 设置为 False ，此评分将回退到原始的:math:R^2 定义。

Note

方差解释得分类似于:func:R^2得分 <r2_score> ，但显著的区别是它不考虑预测中的系统偏移。大多数情况下，应首选:func:R^2得分 <r2_score> 。

更多信息请参阅:ref:用户指南 <explained_variance_score> 。

Parameters:

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

真实目标值。

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

估计目标值。

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

样本权重。

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

定义多个输出得分的聚合方式。 类数组值定义用于平均得分的权重。

‘raw_values’ :

在多输出输入情况下返回所有得分的完整集合。

‘uniform_average’ :

所有输出的得分以均匀权重平均。

‘variance_weighted’ :

所有输出的得分平均，按每个输出方差的权重加权。

force_finitebool, 默认=True

标志指示是否应将由常数数据产生的 NaN 和 -Inf 得分替换为实数（如果预测完美则为 1.0 ，否则为 0.0 ）。默认值为 True ，这是超参数搜索过程（例如网格搜索交叉验证）的便捷设置。

Added in version 1.1.

Returns:

scorefloat 或 float的ndarray

方差解释得分或如果’multioutput’为’raw_values’则为ndarray。

See also

r2_score

类似的度量标准，但考虑预测中的系统偏移。

Notes

这不是一个对称函数。

Examples

>>> from sklearn.metrics import explained_variance_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> explained_variance_score(y_true, y_pred)
0.957...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> explained_variance_score(y_true, y_pred, multioutput='uniform_average')
0.983...
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2]
>>> explained_variance_score(y_true, y_pred)
1.0
>>> explained_variance_score(y_true, y_pred, force_finite=False)
nan
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2 + 1e-8]
>>> explained_variance_score(y_true, y_pred)
0.0
>>> explained_variance_score(y_true, y_pred, force_finite=False)
-inf