mean_squared_error

sklearn.metrics.mean_squared_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')[исходный код]

Функция потерь регрессии — среднеквадратичная ошибка.

Подробнее см. в руководстве пользователя.

Параметры:

y_trueмассивоподобный объект формы (n_samples,) или (n_samples, n_outputs)

Истинные (корректные) целевые значения.

y_predмассивоподобный объект формы (n_samples,) или (n_samples, n_outputs)

Оцененные целевые значения.

sample_weightмассивоподобный объект формы (n_samples,), по умолчанию=None

Веса выборок.

multioutput{‘raw_values’, ‘uniform_average’} или массивоподобный объект формы (n_outputs,), по умолчанию=’uniform_average’

Определяет способ агрегирования значений нескольких выходов. Массивоподобное значение задает веса, используемые для усреднения ошибок.

‘raw_values’ :

Возвращает полный набор ошибок для входных данных с несколькими выходами.

‘uniform_average’ :

Ошибки всех выходов усредняются с одинаковыми весами.

Возвращает:

lossчисло с плавающей точкой или массив чисел с плавающей точкой

Неотрицательное число с плавающей точкой (наилучшее значение — 0.0) или массив чисел с плавающей точкой, по одному для каждой отдельной целевой переменной.

Примеры

>>> from sklearn.metrics import mean_squared_error
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> mean_squared_error(y_true, y_pred)
0.375
>>> y_true = [[0.5, 1],[-1, 1],[7, -6]]
>>> y_pred = [[0, 2],[-1, 2],[8, -5]]
>>> mean_squared_error(y_true, y_pred)
0.708...
>>> mean_squared_error(y_true, y_pred, multioutput='raw_values')
array([0.41666667, 1.        ])
>>> mean_squared_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.825...

Примеры из галереи

Влияние сложности модели

Ранняя остановка в градиентном бустинге

Интервалы предсказаний для регрессии с градиентным бустингом

Регрессия с градиентным бустингом

Метод наименьших квадратов и гребневая регрессия

Регрессия Пуассона и ненормальная функция потерь

Квантильная регрессия

Коэффициенты гребневой регрессии в зависимости от L2-регуляризации

Подгонка устойчивой линейной модели

Регрессия Твиди для страховых требований