Python sklearn mean_squared_log_error用法及代码示例

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

用法:

sklearn.metrics.mean_squared_log_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', squared=True)

均方对数误差回归损失。

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’} 或类似数组的形状 (n_outputs,)，默认='uniform_average'

定义多个输出值的聚合。类似数组的值定义用于平均误差的权重。

‘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：布尔，默认=真

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...