Python dask_ml.metrics.r2_score用法及代碼示例

用法: dask_ml.metrics.r2_score(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

\(R^2\)(確定係數)回歸評分函數。

此文檔字符串是從 sklearn.metrics.r2_score 複製的。

可能存在與 Dask 版本的一些不一致之處。

最好的分數是 1.0，它可以是負數(因為模型可以任意變壞)。始終預測 y 的期望值的常量模型，不考慮輸入特征，將獲得 0.0 的\(R^2\) 分數。

在用戶指南中閱讀更多信息。

參數：

y_true：形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類似數組

基本事實(正確)目標值。

y_pred：形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類似數組

估計的目標值。

sample_weight：形狀類似數組 (n_samples,)，默認=None

樣本權重。

multioutput：{‘raw_values’, ‘uniform_average’, ‘variance_weighted’}，形狀為 (n_outputs,) 的類似數組或無，默認='uniform_average'

定義多個輸出分數的聚合。類似數組的值定義用於平均分數的權重。默認為“uniform_average”。

‘raw_values’：: 在多輸出輸入的情況下返回一組完整的分數。
‘uniform_average’：: 所有輸出的分數以統一的權重進行平均。
‘variance_weighted’：: 所有輸出的分數被平均，由每個單獨輸出的方差加權。

z：浮點數或浮點數數組: 如果‘multioutput’ 是‘raw_values’，則為\(R^2\) 分數或分數數組。

注意：

這不是一個對稱函數。

與大多數其他分數不同，\(R^2\) 分數可能為負數(它實際上不必是數量 R 的平方)。

該指標對於單個樣本沒有明確定義，如果 n_samples 小於 2，將返回 NaN 值。

參考：

1: 關於確定係數的維基百科條目

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

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.r2_score。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：

注意：

參考：

例子：