Python sklearn d2_tweedie_score用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.d2_tweedie_score 的用法。

用法:

sklearn.metrics.d2_tweedie_score(y_true, y_pred, *, sample_weight=None, power=0)

D^2 回歸評分函數，解釋了 Tweedie 偏差的百分比。

最好的分數是 1.0，它可以是負數(因為模型可以任意變壞)。始終使用 y_true 的經驗平均值作為常量預測的模型，不考慮輸入特征，其 D^2 得分為 0.0。

在用戶指南中閱讀更多信息。

參數：

y_true：形狀類似數組 (n_samples,)

基本事實(正確)目標值。

y_pred：形狀類似數組 (n_samples,)

估計的目標值。

sample_weight：形狀類似數組 (n_samples,)，可選

樣本權重。

power：浮點數，默認=0

Tweedie 功率參數。冪 <= 0 或冪 >= 1。

p 越高，對真實目標和預測目標之間的極端偏差的權重就越小。

• power < 0：極其穩定的分布。要求：y_pred > 0。
• power = 0：正態分布，輸出對應r2_score。 y_true 和 y_pred 可以是任何實數。
• 冪 = 1：泊鬆分布。要求：y_true >= 0 和 y_pred > 0。
• 1 < p < 2：複合泊鬆分布。要求：y_true >= 0 和 y_pred > 0。
• 冪 = 2：伽馬分布。要求：y_true > 0 和 y_pred > 0。
• 冪 = 3：逆高斯分布。要求：y_true > 0 和 y_pred > 0。
• 否則：正穩定分布。要求：y_true > 0 和 y_pred > 0。

返回：

z：浮點數或浮點數數組

D^2 分數。

注意：

這不是一個對稱函數。

與 R^2 一樣，D^2 分數可能為負數(它實際上不必是數量 D 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

方程。 Hastie、Trevor J.、Robert Tibshirani 和 Martin J. Wainwright 的 (3.11)。 “稀疏的統計學習：套索和概括。” (2015 年)。 https://trevorhastie.github.io

例子：

>>> from sklearn.metrics import d2_tweedie_score
>>> y_true = [0.5, 1, 2.5, 7]
>>> y_pred = [1, 1, 5, 3.5]
>>> d2_tweedie_score(y_true, y_pred)
0.285...
>>> d2_tweedie_score(y_true, y_pred, power=1)
0.487...
>>> d2_tweedie_score(y_true, y_pred, power=2)
0.630...
>>> d2_tweedie_score(y_true, y_true, power=2)
1.0