Python sklearn mean_tweedie_deviance用法及代码示例

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

用法:

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

平均 Tweedie 偏差回归损失。

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,)，默认=None

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mean_squared_error。 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：

loss：浮点数

非负浮点值(最佳值为 0.0)。

例子：

>>> from sklearn.metrics import mean_tweedie_deviance
>>> y_true = [2, 0, 1, 4]
>>> y_pred = [0.5, 0.5, 2., 2.]
>>> mean_tweedie_deviance(y_true, y_pred, power=1)
1.4260...