d2_tweedie_score

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

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

Лучшее возможное значение — 1,0, оно может быть отрицательным (поскольку модель может быть произвольно хуже). Модель, которая всегда использует эмпирическое среднее значение y_true в качестве постоянного прогноза, игнорируя входные признаки, получает оценку D^2 равную 0,0.

Подробнее см. в Руководстве пользователя.

Добавлена в версии 1.0.

Параметры:

y_truearray-like формы (n_samples,)

Истинные (правильные) целевые значения.

y_predarray-like формы (n_samples,)

Оценённые целевые значения.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса образцов.

powerfloat, по умолчанию=0

Параметр мощности Tweedie. Должно быть power <= 0 или power >= 1.

Чем выше p, тем меньше вес присваивается экстремальным отклонениям между истинными и предсказанными целевыми значениями.

• power < 0: Экстремальное стабильное распределение. Требуется: y_pred > 0.
• power = 0 : Нормальное распределение, вывод 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 : Распределение Гамма. Требуется: y_true > 0 и y_pred > 0.
• power = 3 : Распределение обратного Гаусса. Требуется: y_true > 0 и y_pred > 0.
• в противном случае : Положительное стабильное распределение. Требуется: y_true > 0 и y_pred > 0.

Возвращает:

zfloat или ndarray с плавающей точкой

Значение оценки \(D^2\).

Примечания

Это не симметричная функция.

Как и \(R^2\), значение \(D^2\) может быть отрицательным (оно необязательно должно быть квадратом величины D).

Эта метрика не определена для отдельных выборок и вернёт значение NaN, если n_samples меньше двух.

Ссылки

[1]

Формула (3.11) в Hastie, Trevor J., Robert Tibshirani и Martin J. Wainwright. «Статистическое обучение с разреженностью: Lasso 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