Python dask_ml.metrics.mean_absolute_error用法及代碼示例

用法: dask_ml.metrics.mean_absolute_error(y_true: dask_ml._typing.ArrayLike, y_pred: dask_ml._typing.ArrayLike, sample_weight: Optional[dask_ml._typing.ArrayLike] = None, multioutput: Optional[str] = 'uniform_average', compute: bool = True) → dask_ml._typing.ArrayLike

平均絕對誤差回歸損失。

此文檔字符串是從 sklearn.metrics.mean_absolute_error 複製的。

可能存在與 Dask 版本的一些不一致之處。

在用戶指南中閱讀更多信息。

參數：

y_true：array-like 形狀 (n_samples,) 或 (n_samples, n_outputs)

基本事實(正確)目標值。

y_pred：array-like 形狀 (n_samples,) 或 (n_samples, n_outputs)

估計的目標值。

sample_weight：array-like of shape (n_samples,), default=None

樣本權重。

multioutput：{‘raw_values’, ‘uniform_average’} 或 array-like 形狀 (n_outputs,)，默認 = 'uniform_average'

定義多個輸出值的聚合。 Array-like 值定義用於平均錯誤的權重。

‘raw_values’：: 在多輸出輸入的情況下返回一整套錯誤。
‘uniform_average’：: 所有輸出的誤差均采用統一的權重進行平均。

loss：浮點數或浮點數數組

如果多輸出為‘raw_values’，則分別返回每個輸出的平均絕對誤差。如果 multioutput 是 ‘uniform_average’ 或權重數組，則返回所有輸出錯誤的加權平均值。

MAE 輸出為非負浮點。最佳值為 0.0。

例子：

>>> from sklearn.metrics import mean_absolute_error  
>>> y_true = [3, -0.5, 2, 7]  
>>> y_pred = [2.5, 0.0, 2, 8]  
>>> mean_absolute_error(y_true, y_pred)  
0.5
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]  
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]  
>>> mean_absolute_error(y_true, y_pred)  
0.75
>>> mean_absolute_error(y_true, y_pred, multioutput='raw_values')  
array([0.5, 1. ])
>>> mean_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7])  
0.85...

相關用法

注：本文由純淨天空篩選整理自dask.org大神的英文原創作品 dask_ml.metrics.mean_absolute_error。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。

用法:

參數：

返回：

例子：