mean_squared_log_error

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

均方对数误差回归损失。

在 用户指南 中了解更多信息。

Parameters:

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

地面真值（正确的）目标值。

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

估计的目标值。

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

样本权重。

multioutput{‘raw_values’, ‘uniform_average’} 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。 类数组值定义用于平均误差的权重。

‘raw_values’ :

当输入为多输出格式时，返回一组完整的误差。

‘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 MSLE（均方对数误差）值。 如果为 False，返回 RMSLE（均方根对数误差）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_log_error 来计算均方根对数误差。

Returns:

lossfloat 或 float 的 ndarray

一个非负的浮点值（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_log_error
>>> y_true = [3, 5, 2.5, 7]
>>> y_pred = [2.5, 5, 4, 8]
>>> mean_squared_log_error(y_true, y_pred)
0.039...
>>> y_true = [[0.5, 1], [1, 2], [7, 6]]
>>> y_pred = [[0.5, 2], [1, 2.5], [8, 8]]
>>> mean_squared_log_error(y_true, y_pred)
0.044...
>>> mean_squared_log_error(y_true, y_pred, multioutput='raw_values')
array([0.00462428, 0.08377444])
>>> mean_squared_log_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.060...