From sklearn metrics import mean absolute error

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.

Наталья Петрова
Оцените автора
Новости города Салавата
Добавить комментарий

Adblock
detector