当前位置: 首页>>代码示例 >>用法及示例精选 >>正文

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


用法:

dask_ml.metrics.mean_squared_log_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

均方对数误差回归损失。

此文档字符串是从 sklearn.metrics.mean_squared_log_error 复制而来的。

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’：

当输入为多输出格式时返回一整套错误。

‘uniform_average’：

所有输出的误差均采用统一的权重进行平均。

squared：bool, default=True (在 Dask 中不支持)

如果 True 返回 MSLE(均方对数误差)值。如果 False 返回 RMSLE(均方根对数误差)值。

返回：

loss：浮点数或浮点数数组

非负浮点值(最佳值为 0.0)或浮点值数组，每个目标对应一个。

例子：

>>> 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...
>>> mean_squared_log_error(y_true, y_pred, squared=False)  
0.199...
>>> 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...

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_squared_log_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。