mean_squared_error#

sklearn.metrics.mean_squared_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', squared='deprecated')#

均方误差回归损失。

更多信息请参阅用户指南。

Parameters:

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

真实目标值（正确的）。

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

估计的目标值。

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

样本权重。

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

定义多个输出值的聚合方式。类数组对象定义了用于平均误差的权重。

‘raw_values’ :: 在多输出输入的情况下返回所有误差。
‘uniform_average’ :: 所有输出的误差以均匀权重平均。

squaredbool, 默认=True

如果为 True 返回 MSE 值，如果为 False 返回 RMSE 值。

Deprecated since version 1.4: squared 在 1.4 中已弃用，并将在 1.6 中移除。使用 root_mean_squared_error 来计算均方根误差。

Returns:

lossfloat 或 float 数组: 一个非负浮点值（最佳值为 0.0），或每个单独目标的浮点值数组。

Examples

>>> from sklearn.metrics import mean_squared_error
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> mean_squared_error(y_true, y_pred)
0.375
>>> y_true = [[0.5, 1],[-1, 1],[7, -6]]
>>> y_pred = [[0, 2],[-1, 2],[8, -5]]
>>> mean_squared_error(y_true, y_pred)
0.708...
>>> mean_squared_error(y_true, y_pred, multioutput='raw_values')
array([0.41666667, 1.        ])
>>> mean_squared_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.825...