Python sklearn explained_variance_score用法及代碼示例

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

用法:

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

解釋了方差回歸評分函數。

最好的分數是 1.0，越低的值越差。

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’} 或形狀類似數組 (n_outputs,)，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。

‘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。

返回：

score：浮點數或浮點數數組

如果‘multioutput’ 是‘raw_values’，則解釋方差或ndarray。

注意：

這不是一個對稱函數。

例子：

>>> from sklearn.metrics import explained_variance_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> explained_variance_score(y_true, y_pred)
0.957...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> explained_variance_score(y_true, y_pred, multioutput='uniform_average')
0.983...