корень-среднеквадратичной-ошибки

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

Погрешность регрессии — корень из среднеквадратической ошибки.

Подробнее см. в Руководстве пользователя.

Добавлен в версии 1.4.

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. Массивоподобное значение определяет веса, используемые для усреднения ошибок.

‘raw_values’ :

Возвращает полный набор ошибок в случае многовыходного входного сигнала.

‘uniform_average’ :

Ошибки всех выходов усредняются с равным весом.

Возвращаемое значение:

lossчисло с плавающей точкой или массив чисел с плавающей точкой

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

Примеры

>>> from sklearn.metrics import root_mean_squared_error
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> root_mean_squared_error(y_true, y_pred)
0.612...
>>> y_true = [[0.5, 1],[-1, 1],[7, -6]]
>>> y_pred = [[0, 2],[-1, 2],[8, -5]]
>>> root_mean_squared_error(y_true, y_pred)
0.822...

Примеры из галереи

Функции в деревьях градиентного бустинга на основе гистограмм

Запаздывающие признаки для прогнозирования временных рядов