root_mean_squared_error

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

Функция потерь регрессии на основе среднеквадратичной ошибки.

Подробнее см. в руководстве пользователя.

Добавлено в версии 1.4.

Параметры:

y_trueмассивоподобный объект формы (n_samples,) или (n_samples, n_outputs)

Истинные (правильные) целевые значения.

y_predмассивоподобный объект формы (n_samples,) или (n_samples, n_outputs)

Оценённые целевые значения.

sample_weightмассивоподобный объект формы (n_samples,), по умолчанию=None

Веса объектов.

multioutput{‘raw_values’, ‘uniform_average’} или массивоподобный объект формы (n_outputs,), по умолчанию=’uniform_average’

Определяет способ агрегирования значений нескольких выходов. Значение в виде массивоподобного объекта задаёт веса, используемые для усреднения ошибок.

‘raw_values’ :

Возвращает полный набор ошибок для входных данных с несколькими выходами.

‘uniform_average’ :

Ошибки всех выходов усредняются с равными весами.

Возвращает:

lossвещественное число или массив вещественных чисел

Неотрицательное число с плавающей точкой (наилучшее значение — 0.0) или массив чисел с плавающей точкой, по одному для каждой отдельной целевой переменной.

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 в галерее

Лаговые признаки для прогнозирования временных рядов

Признаки в деревьях градиентного бустинга на гистограммах