Python sklearn r2_score用法及代碼示例

本文簡要介紹python語言中 sklearn.metrics.r2_score 的用法。

用法:

sklearn.metrics.r2_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')

\(R^2\)(確定係數)回歸評分函數。

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。

返回：

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