Python sklearn r2_score用法及代码示例

本文简要介绍python语言中 sklearn.metrics.r2_score 的用法。

用法:

sklearn.metrics.r2_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')

\(R^2\)(确定系数)回归评分函数。

最好的分数是 1.0，它可以是负数(因为模型可以任意变坏)。始终预测 y 的期望值的常量模型，不考虑输入特征，将获得 0.0 的\(R^2\) 分数。

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’}，形状为 (n_outputs,) 的类似数组或无，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。默认为“uniform_average”。

‘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：

z：浮点数或浮点数数组

如果‘multioutput’ 是‘raw_values’，则为\(R^2\) 分数或分数数组。

注意：

这不是一个对称函数。

与大多数其他分数不同，\(R^2\) 分数可能为负数(它实际上不必是数量 R 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

关于确定系数的维基百科条目

例子：

>>> from sklearn.metrics import r2_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> r2_score(y_true, y_pred)
0.948...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> r2_score(y_true, y_pred,
...          multioutput='variance_weighted')
0.938...
>>> y_true = [1, 2, 3]
>>> y_pred = [1, 2, 3]
>>> r2_score(y_true, y_pred)
1.0
>>> y_true = [1, 2, 3]
>>> y_pred = [2, 2, 2]
>>> r2_score(y_true, y_pred)
0.0
>>> y_true = [1, 2, 3]
>>> y_pred = [3, 2, 1]
>>> r2_score(y_true, y_pred)
-3.0