Python sklearn d2_tweedie_score用法及代码示例

本文简要介绍python语言中 sklearn.metrics.d2_tweedie_score 的用法。

用法:

sklearn.metrics.d2_tweedie_score(y_true, y_pred, *, sample_weight=None, power=0)

D^2 回归评分函数，解释了 Tweedie 偏差的百分比。

最好的分数是 1.0，它可以是负数(因为模型可以任意变坏)。始终使用 y_true 的经验平均值作为常量预测的模型，不考虑输入特征，其 D^2 得分为 0.0。

在用户指南中阅读更多信息。

参数：

y_true：形状类似数组 (n_samples,)

基本事实(正确)目标值。

y_pred：形状类似数组 (n_samples,)

估计的目标值。

sample_weight：形状类似数组 (n_samples,)，可选

样本权重。

power：浮点数，默认=0

Tweedie 功率参数。幂 <= 0 或幂 >= 1。

p 越高，对真实目标和预测目标之间的极端偏差的权重就越小。

• power < 0：极其稳定的分布。要求：y_pred > 0。
• power = 0：正态分布，输出对应r2_score。 y_true 和 y_pred 可以是任何实数。
• 幂 = 1：泊松分布。要求：y_true >= 0 和 y_pred > 0。
• 1 < p < 2：复合泊松分布。要求：y_true >= 0 和 y_pred > 0。
• 幂 = 2：伽马分布。要求：y_true > 0 和 y_pred > 0。
• 幂 = 3：逆高斯分布。要求：y_true > 0 和 y_pred > 0。
• 否则：正稳定分布。要求：y_true > 0 和 y_pred > 0。

返回：

z：浮点数或浮点数数组

D^2 分数。

注意：

这不是一个对称函数。

与 R^2 一样，D^2 分数可能为负数(它实际上不必是数量 D 的平方)。

该指标对于单个样本没有明确定义，如果 n_samples 小于 2，将返回 NaN 值。

参考：

1

方程。 Hastie、Trevor J.、Robert Tibshirani 和 Martin J. Wainwright 的 (3.11)。 “稀疏的统计学习：套索和概括。” (2015 年)。 https://trevorhastie.github.io

例子：

>>> from sklearn.metrics import d2_tweedie_score
>>> y_true = [0.5, 1, 2.5, 7]
>>> y_pred = [1, 1, 5, 3.5]
>>> d2_tweedie_score(y_true, y_pred)
0.285...
>>> d2_tweedie_score(y_true, y_pred, power=1)
0.487...
>>> d2_tweedie_score(y_true, y_pred, power=2)
0.630...
>>> d2_tweedie_score(y_true, y_true, power=2)
1.0