sklearn.metrics.mean_absolute_error?

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

源碼

平均絕對誤差回歸損失

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’] or array-like of shape (n_outputs)
定義多個輸出值的匯總。類似數組的值定義了用于平均誤差的權重。

- ‘raw_values’：
如果是多輸出格式的輸入，則返回完整的錯誤集。
- ‘uniform_average’：
所有輸出的誤差均以相同的權重平均。
返回值 說明
loss float or ndarray of floats
如果多輸出為‘raw_values’，則分別為每個輸出返回均值絕對錯誤。如果多輸出是‘uniform_average’或權重的ndarray，則將返回所有輸出錯誤的加權平均值。

MAE輸出為非負浮點。最佳值為0.0。

示例

>>> 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...

sklearn.metrics.mean_absolute_error應用示例?