mean_squared_log_error

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

Средняя квадратичная ошибка логарифма прогноза регрессии.

Подробнее см. в Руководстве пользователя.

Параметры:

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

Истинные (корректные) целевые значения.

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

Оценённые целевые значения.

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

Веса выборок.

multioutput{‘raw_values’, ‘uniform_average’} или массив-подобный объект 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, когда входной массив имеет формат multioutput.

‘uniform_average’ :

Ошибки всех выходов усредняются с равными весами.

Возвращает:

lossfloat или ndarray float

Неотрицательное число с плавающей точкой (лучшее значение 0,0) или массив чисел с плавающей точкой, по одному для каждой индивидуальной цели.

Примеры

>>> from sklearn.metrics import mean_squared_log_error
>>> y_true = [3, 5, 2.5, 7]
>>> y_pred = [2.5, 5, 4, 8]
>>> mean_squared_log_error(y_true, y_pred)
0.039...
>>> y_true = [[0.5, 1], [1, 2], [7, 6]]
>>> y_pred = [[0.5, 2], [1, 2.5], [8, 8]]
>>> mean_squared_log_error(y_true, y_pred)
0.044...
>>> mean_squared_log_error(y_true, y_pred, multioutput='raw_values')
array([0.00462428, 0.08377444])
>>> mean_squared_log_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.060...