d2_tweedie_score

sklearn.metrics.d2_tweedie_score(y_true, y_pred, *, sample_weight=None, power=0)[исходный код]

Функция оценки регрессии \(D^2\), доля объяснённого отклонения Твиди.

Наилучшая возможная оценка равна 1.0, но она может быть отрицательной (так как модель может работать сколь угодно хуже). Модель, которая всегда использует эмпирическое среднее y_true в качестве постоянного прогноза, игнорируя входные признаки, получает оценку D^2, равную 0.0.

Подробнее см. в Руководстве пользователя.

Добавлено в версии 1.0.

Параметры:

y_trueмассивоподобный объект формы (n_samples,)

Истинные (правильные) целевые значения.

y_predмассивоподобный объект формы (n_samples,)

Предсказанные целевые значения.

sample_weightмассивоподобный объект формы (n_samples,), по умолчанию None

Веса выборок.

powerfloat, по умолчанию 0

Параметр степени Твиди. Значение должно удовлетворять условию power <= 0 или power >= 1.

Чем выше p, тем меньший вес придаётся большим отклонениям между истинными и предсказанными целевыми значениями.

• power < 0: экстремальное устойчивое распределение. Требуется: y_pred > 0.
• power = 0 : нормальное распределение; результат соответствует r2_score. y_true и y_pred могут быть любыми действительными числами.
• power = 1 : распределение Пуассона. Требуется: y_true >= 0 и y_pred > 0.
• 1 < p < 2 : составное распределение Пуассона. Требуется: y_true >= 0 и y_pred > 0.
• power = 2 : гамма-распределение. Требуется: y_true > 0 и y_pred > 0.
• power = 3 : обратное гауссовское распределение. Требуется: y_true > 0 и y_pred > 0.
• в противном случае: положительное устойчивое распределение. Требуется: y_true > 0 и y_pred > 0.

Возвращает:

zfloat

Оценка D^2.

Примечания

Эта функция не является симметричной.

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

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

Ссылки

[1]

Уравнение (3.11) из книги Хасти, Тревор Дж., Роберт Тибширани и Мартин Дж. Уэйнрайт. «Статистическое обучение с разреженностью: лассо и обобщения». (2015). https://hastie.su.domains/StatLearnSparsity/

Примеры

>>> from sklearn.metrics import d2_tweedie_score
>>> y_true = [0.5, 1, 2.5, 7]
>>> y_pred = [1, 1, 5, 3.5]
>>> d2_tweedie_score(y_true, y_pred)
0.285...
>>> d2_tweedie_score(y_true, y_pred, power=1)
0.487...
>>> d2_tweedie_score(y_true, y_pred, power=2)
0.630...
>>> d2_tweedie_score(y_true, y_true, power=2)
1.0