средняя_девиация_Твидди

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

Среднее отклонение Твидди для регрессии.

Подробнее см. в Руководстве пользователя.

Параметры:

y_trueодномерный массив, форма (n_samples,)

Истинные (правильные) целевые значения.

y_predодномерный массив, форма (n_samples,)

Оцененные целевые значения.

sample_weightодномерный массив, форма (n_samples,), по умолчанию None

Веса выборки.

powerfloat, по умолчанию 0

Параметр степени Твидди. Должно быть power <= 0 или power >= 1.

Чем больше значение, тем меньше вес придаётся крайним отклонениям между истинными и предсказанными целевыми значениями.

• power < 0: Распределение экстремально устойчивого типа. Требуется: y_pred > 0.
• power = 0 : Нормальное распределение, вывод соответствует mean_squared_error. y_true и y_pred могут быть любыми вещественными 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 : Распределение обратного гаусса. Требуется: y_true > 0 и y_pred > 0.
• в противном случае : Положительное устойчивое распределение. Требуется: y_true > 0 и y_pred > 0.

Возвращаемые значения:

lossfloat

Неотрицательное число с плавающей точкой (лучшее значение 0.0).

Примеры

>>> from sklearn.metrics import mean_tweedie_deviance
>>> y_true = [2, 0, 1, 4]
>>> y_pred = [0.5, 0.5, 2., 2.]
>>> mean_tweedie_deviance(y_true, y_pred, power=1)
1.4260...

Примеры из галереи

Регрессия Твидди по данным о страховых исках