maxframe.learn.metrics.r2_score#

maxframe.learn.metrics.r2_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', execute=False, session=None, run_kwargs=None)[源代码]#

:math:`R^2`（决定系数）回归评分函数。

最佳可能得分为 1.0，且得分可能为负（因为模型可能表现任意差）。一个总是预测 y 的期望值而忽略输入特征的常量模型将得到 \(R^2\) 得分 0.0。

更多信息请参见 用户指南。

参数:

  • y_true (array-like of shape (n_samples,) or (n_samples, n_outputs)) -- 真实（正确）的目标值。

  • y_pred (array-like of shape (n_samples,) or (n_samples, n_outputs)) -- 估计的目标值。

  • sample_weight (array-like of shape (n_samples,), default=None) -- 样本权重。

  • multioutput ({'raw_values', 'uniform_average', 'variance_weighted'}, array-like of shape (n_outputs,) or None, default='uniform_average') -- 定义多个输出得分的聚合方式。类数组的值定义用于平均得分的权重。默认为 "uniform_average"。 'raw_values' : 在多输出输入的情况下返回完整的一组得分。 'uniform_average' : 所有输出的得分以相同权重平均。 'variance_weighted' : 所有输出的得分以各自输出的方差为权重进行平均。

返回:

z -- \(R^2\) 得分，若 'multioutput' 为 'raw_values' 则返回得分的 ndarray。

返回类型:

float or tensor of floats

备注

这不是一个对称函数。

与大多数其他得分不同，\(R^2\) 得分可能为负（它实际上不一定是某个量 R 的平方）。

该指标对于单个样本未良好定义，如果 n_samples 小于 2 将返回 NaN 值。

引用

示例

>>> from maxframe.learn.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