d2_pinball_score

sklearn.metrics.d2_pinball_score(y_true, y_pred, *, sample_weight=None, alpha=0.5, multioutput='uniform_average')[source]

Функция оценки регрессии \(D^2\), доля объяснённой потери пинбол.

Наилучшее возможное значение — 1,0, и оно может быть отрицательным (потому что модель может быть произвольно хуже). Модель, которая всегда использует эмпиричный альфа-квантиль y_true в качестве постоянного прогноза, игнорируя входные признаки, получает оценку \(D^2\) равную 0,0.

Подробнее см. в Руководстве пользователя.

Добавлена в версии 1.1.

Параметры:

y_trueмассив-подобный формы (n_samples,) или (n_samples, n_outputs)

Истинные (правильные) целевые значения.

y_predмассив-подобный формы (n_samples,) или (n_samples, n_outputs)

Оценённые целевые значения.

sample_weightмассив-подобный формы (n_samples,), по умолчанию=None

Веса выборок.

alphafloat, по умолчанию=0.5

Наклон отклонения пинбол. Он определяет уровень квантиля альфа, для которого отклонение пинбол, а также D2, оптимальны. Значение по умолчанию alpha=0.5 эквивалентно d2_absolute_error_score.

multioutput{‘raw_values’, ‘uniform_average’} или массив-подобный формы (n_outputs,), по умолчанию=’uniform_average’

Определяет агрегирование значений нескольких выходных данных. Массив-подобное значение определяет веса, используемые для усреднения оценок.

‘raw_values’ :

Возвращает полный набор ошибок в случае многомерного входного сигнала.

‘uniform_average’ :

Оценки всех выходных данных усредняются с равным весом.

Возвращает:

scorefloat или массив float

Оценка \(D^2\) с отклонением пинбол или массив оценок, если multioutput='raw_values'.

Примечания

Как и \(R^2\), оценка \(D^2\) может быть отрицательной (она не обязательно должна быть квадратом величины D).

Эта метрика не определена для одной точки и вернёт значение NaN, если n_samples меньше двух.

Ссылки

[1]

Формула (7) из Koenker, Roger; Machado, José A. F. (1999). “Goodness of Fit and Related Inference Processes for Quantile Regression”

[2]

Формула (3.11) из Hastie, Trevor J., Robert Tibshirani and Martin J. Wainwright. “Statistical Learning with Sparsity: The Lasso and Generalizations.” (2015). https://hastie.su.domains/StatLearnSparsity/

Примеры

>>> from sklearn.metrics import d2_pinball_score
>>> y_true = [1, 2, 3]
>>> y_pred = [1, 3, 3]
>>> d2_pinball_score(y_true, y_pred)
np.float64(0.5)
>>> d2_pinball_score(y_true, y_pred, alpha=0.9)
np.float64(0.772...)
>>> d2_pinball_score(y_true, y_pred, alpha=0.1)
np.float64(-1.045...)
>>> d2_pinball_score(y_true, y_true, alpha=0.1)
np.float64(1.0)