среднеквадратичная_ошибка

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

Потеря функции среднеквадратичной ошибки регрессии.

Подробнее см. в Руководстве пользователя.

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.

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

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

‘raw_values’ :

Возвращает полный набор ошибок в случае многовыходного ввода.

‘uniform_average’ :

Ошибки всех выходов усредняются с равным весом.

Возвращает:

lossчисло или массив чисел

Неотрицательное число с плавающей запятой (лучшее значение равно 0.0) или массив чисел с плавающей запятой, по одному для каждой отдельной цели.

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

Преждевременная остановка в Gradient Boosting

Регрессия Gradient Boosting

Прогнозные интервалы для регрессии Gradient Boosting

Влияние сложности модели

Пример обычных наименьших квадратов

Регрессия Пуассона и ненормальные потери

Квантильная регрессия

Коэффициенты Риджа как функция L2-регуляризации

Подгонка с использованием робастного линейного эстиматора

Регрессия Твидди на страховых случаях