mean_tweedie_deviance#

sklearn.metrics.mean_tweedie_deviance(y_true, y_pred, *, sample_weight=None, степень=0)[источник]#

Средняя регрессионная потеря по отклонению Твиди.

Подробнее в Руководство пользователя.

Параметры:
y_truearray-like формы (n_samples,)

Истинные (правильные) целевые значения.

y_predarray-like формы (n_samples,)

Оцененные целевые значения.

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

Веса выборок.

степеньfloat, по умолчанию=0

Параметр мощности Tweedie. Либо power <= 0, либо power >= 1.

Чем выше p меньший вес придается экстремальным отклонениям между истинными и предсказанными целевыми значениями.

  • степень < 0: Экстремальное устойчивое распределение. Требуется: y_pred > 0.

  • power = 0 : Нормальное распределение, выход соответствует mean_squared_error. y_true и y_pred могут быть любыми действительными числами.

  • power = 1 : распределение Пуассона. Требуется: y_true >= 0 и y_pred > 0.

  • 1 < p < 2 : Составное распределение Пуассона. Требуется: y_true >= 0 и y_pred > 0.

  • power = 2 : Гамма-распределение. Требуется: y_true > 0 и y_pred > 0.

  • power = 3 : Обратное распределение Гаусса. Требуется: y_true > 0 и y_pred > 0.

  • иначе : Положительное устойчивое распределение. Требуется: y_true > 0 и y_pred > 0.

Возвращает:
потеряfloat

Неотрицательное значение с плавающей точкой (лучшее значение — 0.0).

Примеры

>>> from sklearn.metrics import mean_tweedie_deviance
>>> y_true = [2, 0, 1, 4]
>>> y_pred = [0.5, 0.5, 2., 2.]
>>> mean_tweedie_deviance(y_true, y_pred, power=1)
1.4260...