当前位置: 首页>>代码示例 >>用法及示例精选 >>正文


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...

相关用法


注:本文由纯净天空筛选整理自scikit-learn.org大神的英文原创作品 sklearn.metrics.explained_variance_score。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。