sklearn.metrics.explained_variance_score¶
sklearn.metrics.explained_variance_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')
解释方差回归得分函数
可能的最高分是1.0，数值越低越好。
在用户指南中阅读更多内容。
| 参数 | 说明 |
|---|---|
| y_true | array-like of shape (n_samples,) or (n_samples, n_outputs) 真实目标值。 |
| y_pred | array-like of shape (n_samples,) or (n_samples, n_outputs) 预测目标值。 |
| sample_weight | array-like of shape (n_samples,), optional 样本权重。 |
| multioutput | string in [‘raw_values’| ‘uniform_average’| ‘variance_weighted’] or array-like of shape (n_outputs) 定义多个输出分数的汇总。类数组值定义用于平均分数的权重。 - ‘raw_values’： 如果是多输出格式的输入，则返回完整的得分集。 - ‘uniform_average’： 所有产出的得分均以统一权重平均。 - ‘variance_weighted’： 将所有输出的分数平均，并按每个单独输出的方差加权。 |
| 返回值 | 说明 |
|---|---|
| score | float or ndarray of floats 如果‘multioutput’为‘raw_values’，则为解释变量或ndarray。 |
注
这不是对称函数。
示例
>>> from sklearn.metrics import explained_variance_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> explained_variance_score(y_true, y_pred)
0.957...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> explained_variance_score(y_true, y_pred, multioutput='uniform_average')
0.983...
