Python dask_ml.metrics.mean_absolute_error用法及代码示例

用法: dask_ml.metrics.mean_absolute_error(y_true: dask_ml._typing.ArrayLike, y_pred: dask_ml._typing.ArrayLike, sample_weight: Optional[dask_ml._typing.ArrayLike] = None, multioutput: Optional[str] = 'uniform_average', compute: bool = True) → dask_ml._typing.ArrayLike

平均绝对误差回归损失。

此文档字符串是从 sklearn.metrics.mean_absolute_error 复制的。

可能存在与 Dask 版本的一些不一致之处。

在用户指南中阅读更多信息。

参数：

y_true：array-like 形状 (n_samples,) 或 (n_samples, n_outputs)

基本事实(正确)目标值。

y_pred：array-like 形状 (n_samples,) 或 (n_samples, n_outputs)

估计的目标值。

sample_weight：array-like of shape (n_samples,), default=None

样本权重。

multioutput：{‘raw_values’, ‘uniform_average’} 或 array-like 形状 (n_outputs,)，默认 = 'uniform_average'

定义多个输出值的聚合。 Array-like 值定义用于平均错误的权重。

‘raw_values’：: 在多输出输入的情况下返回一整套错误。
‘uniform_average’：: 所有输出的误差均采用统一的权重进行平均。

loss：浮点数或浮点数数组

如果多输出为‘raw_values’，则分别返回每个输出的平均绝对误差。如果 multioutput 是 ‘uniform_average’ 或权重数组，则返回所有输出错误的加权平均值。

MAE 输出为非负浮点。最佳值为 0.0。

例子：

>>> from sklearn.metrics import mean_absolute_error  
>>> y_true = [3, -0.5, 2, 7]  
>>> y_pred = [2.5, 0.0, 2, 8]  
>>> mean_absolute_error(y_true, y_pred)  
0.5
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]  
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]  
>>> mean_absolute_error(y_true, y_pred)  
0.75
>>> mean_absolute_error(y_true, y_pred, multioutput='raw_values')  
array([0.5, 1. ])
>>> mean_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7])  
0.85...

相关用法

注：本文由纯净天空筛选整理自dask.org大神的英文原创作品 dask_ml.metrics.mean_absolute_error。非经特殊声明，原始代码版权归原作者所有，本译文未经允许或授权，请勿转载或复制。

用法:

参数：

返回：

例子：