median_absolute_error

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

Потери регрессии при медианной абсолютной ошибке.

Выход медианной абсолютной ошибки — это неотрицательное число с плавающей точкой. Лучшее значение — 0,0. Подробнее см. в Руководстве пользователя.

Параметры:

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

Истинные (правильные) значения целевой переменной.

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

Оцененные значения целевой переменной.

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

Определяет агрегирование значений для нескольких выходных данных. 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.

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

Веса образцов.

Добавлен в версии 0.24.

Возвращает:

lossчисло с плавающей точкой или массив чисел с плавающей точкой

Если multioutput = ‘raw_values’, то возвращается средняя абсолютная ошибка для каждого выхода отдельно. Если multioutput = ‘uniform_average’ или массив весов, то возвращается взвешенное среднее всех ошибок выходов.

Примеры

>>> from sklearn.metrics import median_absolute_error
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> median_absolute_error(y_true, y_pred)
np.float64(0.5)
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> median_absolute_error(y_true, y_pred)
np.float64(0.75)
>>> median_absolute_error(y_true, y_pred, multioutput='raw_values')
array([0.5, 1. ])
>>> median_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7])
np.float64(0.85)

Примеры из галереи

Распространенные ошибки в интерпретации коэффициентов линейных моделей

Влияние преобразования целевых значений на регрессионную модель