mean_absolute_error#

sklearn.metrics.mean_absolute_error(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')[источник]#

Средняя абсолютная ошибка регрессии.

Средняя абсолютная ошибка — это неотрицательное значение с плавающей запятой, где лучшее значение — 0.0. Подробнее в Руководство пользователя.

Параметры:
y_truearray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные (правильные) целевые значения.

y_predarray-like формы (n_samples,) или (n_samples, n_outputs)

Оцененные целевые значения.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

multioutput{'raw_values', 'uniform_average'} или array-like 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 многоцелевого ввода.

'uniform_average' :

Ошибки всех выходов усредняются с равным весом.

Возвращает:
потеряfloat или массив floats

Если multioutput имеет значение 'raw_values', то средняя абсолютная ошибка возвращается для каждого выхода отдельно. Если multioutput имеет значение 'uniform_average' или является ndarray весов, то возвращается взвешенное среднее всех ошибок выходов.

Выходное значение MAE является неотрицательным числом с плавающей точкой. Лучшее значение — 0.0.

Примеры

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