r2_score

sklearn.metrics.r2_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', force_finite=True)[source]

Функция расчета коэффициента детерминации \(R^2\) для регрессии.

Идеальное значение равно 1.0, может быть отрицательным (поскольку модель может быть произвольно хуже). В общем случае, когда истинное значение y не является постоянным, константная модель, которая всегда предсказывает среднее значение y, игнорируя входные признаки, получит значение \(R^2\) равное 0.0.

В частном случае, когда y_true является постоянным, значение \(R^2\) не является конечным: оно либо NaN (идеальные предсказания), либо -Inf (неидеальные предсказания). Для предотвращения влияния таких бесконечных чисел на эксперименты более высокого уровня, такие как поиск по сетке с перекрестной проверкой, по умолчанию эти случаи заменяются на 1.0 (идеальные предсказания) или 0.0 (неидеальные предсказания) соответственно. Вы можете установить force_finite на False, чтобы предотвратить эту корректировку.

Примечание: когда остатки прогноза имеют нулевое среднее значение, значение \(R^2\) идентично значению Explained Variance score.

Подробнее см. в Руководстве пользователя.

Parameters:

y_truearray-like of shape (n_samples,) or (n_samples, n_outputs)

Истинные (верные) целевые значения.

y_predarray-like of shape (n_samples,) or (n_samples, n_outputs)

Оценённые целевые значения.

sample_weightarray-like of shape (n_samples,), default=None

Веса выборок.

multioutput{‘raw_values’, ‘uniform_average’, ‘variance_weighted’}, array-like of shape (n_outputs,) or None, default=’uniform_average’

Определяет агрегирование нескольких результатов оценки. Массивоподобное значение определяет веса, используемые для усреднения результатов. По умолчанию — “uniform_average”.

‘raw_values’ :

Возвращает полный набор оценок в случае многомерного входного значения.

‘uniform_average’ :

Оценки всех выходных данных усредняются с равными весами.

‘variance_weighted’ :

Оценки всех выходных данных усредняются, взвешенные дисперсиями каждого отдельного выходного значения.

Изменено в версии 0.19: Значение по умолчанию для multioutput — ‘uniform_average’.

force_finitebool, default=True

Флаг, указывающий, следует ли заменять NaN и -Inf оценки, полученные от постоянных данных, на вещественные числа (1.0 если прогноз идеален, 0.0 в противном случае). Значение по умолчанию — True, удобный параметр для процедур поиска гиперпараметров (например, перекрестная проверка с подбором по сетке).

Добавлена в версии 1.1.

Returns:

zfloat or ndarray of floats

Значение \(R^2\) или массив значений, если ‘multioutput’ равно ‘raw_values’.

Примечания

Функция несимметрична.

В отличие от большинства других оценок, значение \(R^2\) может быть отрицательным (он не обязательно должен быть квадратом величины R).

Эта метрика не определена для отдельных выборок и вернёт NaN, если n_samples меньше двух.

Ссылки

[1]

Статья в Википедии о коэффициенте детерминации

Примеры

>>> from sklearn.metrics import r2_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> r2_score(y_true, y_pred)
0.948...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> r2_score(y_true, y_pred,
...          multioutput='variance_weighted')
0.938...
>>> y_true = [1, 2, 3]
>>> y_pred = [1, 2, 3]
>>> r2_score(y_true, y_pred)
1.0
>>> y_true = [1, 2, 3]
>>> y_pred = [2, 2, 2]
>>> r2_score(y_true, y_pred)
0.0
>>> y_true = [1, 2, 3]
>>> y_pred = [3, 2, 1]
>>> r2_score(y_true, y_pred)
-3.0
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2]
>>> r2_score(y_true, y_pred)
1.0
>>> r2_score(y_true, y_pred, force_finite=False)
nan
>>> y_true = [-2, -2, -2]
>>> y_pred = [-2, -2, -2 + 1e-8]
>>> r2_score(y_true, y_pred)
0.0
>>> r2_score(y_true, y_pred, force_finite=False)
-inf

Примеры из галереи

Модели на основе L1 для разреженных сигналов

Неотрицательные наименьшие квадраты

Пример обычных наименьших квадратов

Невозможность машинного обучения вывести причинно-следственные связи

Влияние преобразования целевых значений на модель регрессии