Python sklearn mean_squared_log_error用法及代碼示例

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

用法:

sklearn.metrics.mean_squared_log_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', squared=True)

均方對數誤差回歸損失。

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’：

當輸入為多輸出格式時返回一整套錯誤。

‘uniform_average’：

所有輸出的誤差均采用統一的權重進行平均。

squared：布爾，默認=真

如果 True 返回 MSLE(均方對數誤差)值。如果 False 返回 RMSLE(均方根對數誤差)值。

返回：

loss：浮點數或浮點數數組

非負浮點值(最佳值為 0.0)或浮點值數組，每個目標對應一個。

例子：

>>> from sklearn.metrics import mean_squared_log_error
>>> y_true = [3, 5, 2.5, 7]
>>> y_pred = [2.5, 5, 4, 8]
>>> mean_squared_log_error(y_true, y_pred)
0.039...
>>> mean_squared_log_error(y_true, y_pred, squared=False)
0.199...
>>> y_true = [[0.5, 1], [1, 2], [7, 6]]
>>> y_pred = [[0.5, 2], [1, 2.5], [8, 8]]
>>> mean_squared_log_error(y_true, y_pred)
0.044...
>>> mean_squared_log_error(y_true, y_pred, multioutput='raw_values')
array([0.00462428, 0.08377444])
>>> mean_squared_log_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.060...