From sklearn metrics import mean absolute error
y_true(mean_absolute_errorsklearn.metrics., y_pred, *, sample_weight=Нет, multioutput=’uniform_average’)
Потеря регрессии с абсолютной ошибкой означает.
y_trueимеет форму массива (n_samples,) или (n_samples, n_outputs)
Достоверные (правильные) целевые значения.
y_predимеет форму массива (n_samples,) или (n_samples, n_outputs)
Предполагаемые целевые значения.
sample_weightмассивоподобной формы (n_samples,), по умолчанию=Нет
Примерные веса.
multioutput{‘raw_values’, ‘uniform_average’} или массивоподобной формы (n_outputs,), по умолчанию=’uniform_average’
Определяет агрегирование нескольких выходных значений. Значение, подобное массиву, определяет веса, используемые для усреднения ошибок.
‘raw_values’ :
Возвращает полный набор ошибок в случае ввода с несколькими выводами.
‘uniform_average’ :
Ошибки всех выходных данных усредняются с одинаковым весом.
потерязначения с плавающей точкой или ndarray значений с плавающей точкой
Если multioutput имеет значение ‘raw_values’, то для каждого вывода возвращается средняя абсолютная ошибка отдельно. Если multioutput является ‘uniform_average’ или множеством весов, то возвращается средневзвешенное значение всех ошибок вывода.
Вывод MAE неотрицательный с плавающей запятой. Наилучшее значение равно 0.0.
Примеры
>>>
>>> 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…
Examples using sklearn.metrics.mean_absolute_error¶
Показатели и оценка: количественная оценка качества прогнозов
Существует 3 различных API для оценки качества прогнозов модели:
Метод оценки оценок: у оценщиков есть scoreметод, обеспечивающий критерий оценки по умолчанию для проблемы, которую они призваны решить. Это не обсуждается на этой странице, но в документации каждого оценщика.
Параметр оценки: Инструменты оценки модели с использованием перекрестной проверки (такие как model_selection.cross_val_score и model_selection.GridSearchCV) полагаются на внутреннюю стратегию оценки. Это обсуждается в разделе Параметр оценки: определение правил оценки модели.
Функции показателей: sklearn.metrics Модуль реализует функции оценки ошибки прогноза для конкретных целей. Эти метрики подробно описаны в разделах, посвященных метрикам классификации, метрикам многоуровневого ранжирования, метрикам регрессии и метрикам кластеризации.
Наконец, фиктивные оценки полезны для получения базового значения этих показателей для случайных прогнозов.
