Python sklearn mean_absolute_error用法及代碼示例

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

用法:

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

平均絕對誤差回歸損失。

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’} 或類似數組的形狀 (n_outputs,)，默認='uniform_average'

定義多個輸出值的聚合。類似數組的值定義用於平均誤差的權重。

‘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。

返回：

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...