sklearn.metrics.r2_score?

sklearn.metrics.r2_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average')

R^2（確定系數）回歸得分函數。

最佳可能得分為1.0，并且可能為負（因為該模型可能會更差）。 不管輸入特征如何，始終預測y的期望值的常數模型將獲得0.0的R^2分數。

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 None 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。 默認值為“ uniform_average”。

- ‘raw_values’：
如果是多輸出格式的輸入，則返回完整的分數集。
- ‘uniform_average’：
所有產出的分數均以統一權重平均。
- ‘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。

在版本0.19中更改：多輸出的默認值為“ uniform_average”。
返回值 說明
z float or ndarray of floats
如果‘multioutput’為‘raw_values’，則為R^2分數或分數的ndarray。

注

這不是對稱函數。

與大多數其他分數不同，R^2分數可能為負（實際上不必為數量R的平方）。

這個度量標準沒有為單個樣本定義，如果n_samples小于2，則將返回NaN值。

參考

1 Wikipedia entry on the Coefficient of determination

示例

>>> from sklearn.metrics import r2_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> r2_score(y_true, y_pred)
0.948...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> r2_score(y_true, y_pred,
...          multioutput='variance_weighted')
0.938...
>>> y_true = [1, 2, 3]
>>> y_pred = [1, 2, 3]
>>> r2_score(y_true, y_pred)
1.0
>>> y_true = [1, 2, 3]
>>> y_pred = [2, 2, 2]
>>> r2_score(y_true, y_pred)
0.0
>>> y_true = [1, 2, 3]
>>> y_pred = [3, 2, 1]
>>> r2_score(y_true, y_pred)
-3.0