Python sklearn explained_variance_score用法及代码示例

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

用法:

sklearn.metrics.explained_variance_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')

解释了方差回归评分函数。

最好的分数是 1.0，越低的值越差。

在用户指南中阅读更多信息。

参数：

y_true：形状为 (n_samples,) 或 (n_samples, n_outputs) 的类似数组

基本事实(正确)目标值。

y_pred：形状为 (n_samples,) 或 (n_samples, n_outputs) 的类似数组

估计的目标值。

sample_weight：形状类似数组 (n_samples,)，默认=None

样本权重。

multioutput：{‘raw_values’, ‘uniform_average’, ‘variance_weighted’} 或形状类似数组 (n_outputs,)，默认='uniform_average'

定义多个输出分数的聚合。类似数组的值定义用于平均分数的权重。

‘raw_values’：

在多输出输入的情况下返回一组完整的分数。

‘uniform_average’：

所有输出的分数以统一的权重进行平均。

‘variance_weighted’：

所有输出的分数被平均，由每个单独输出的方差加权。

返回：

score：浮点数或浮点数数组

如果‘multioutput’ 是‘raw_values’，则解释方差或ndarray。

注意：

这不是一个对称函数。

例子：

>>> from sklearn.metrics import explained_variance_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> explained_variance_score(y_true, y_pred)
0.957...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> explained_variance_score(y_true, y_pred, multioutput='uniform_average')
0.983...