sklearn.metrics.explained_variance_score?

sklearn.metrics.explained_variance_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')

源碼

解釋方差回歸得分函數

可能的最高分是1.0，數值越低越好。

在用戶指南中閱讀更多內容。

參數 說明
y_true array-like of shape (n_samples,) or (n_samples, n_outputs)
真實目標值。
y_pred array-like of shape (n_samples,) or (n_samples, n_outputs)
預測目標值。
sample_weight array-like of shape (n_samples,), optional
樣本權重。
multioutput string in [‘raw_values’| ‘uniform_average’| ‘variance_weighted’] or array-like of shape (n_outputs)
定義多個輸出分數的匯總。類數組值定義用于平均分數的權重。

- ‘raw_values’：
如果是多輸出格式的輸入，則返回完整的得分集。
- ‘uniform_average’：
所有產出的得分均以統一權重平均。
- ‘variance_weighted’：
將所有輸出的分數平均，并按每個單獨輸出的方差加權。
返回值 說明
score float or ndarray of floats
如果‘multioutput’為‘raw_values’，則為解釋變量或ndarray。

注

這不是對稱函數。

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...