mars.learn.metrics.r2_score

mars.learn.metrics.r2_score(y_true, y_pred, *, sample_weight=None, multioutput='uniform_average', session=None, run_kwargs=None)

\(R^2\) （决定系数）回归得分函数。

最佳可能得分为1.0，并且可以是负数（因为模型可能会非常糟糕）。一个始终预测y的期望值、忽略输入特征的恒定模型将获得\(R^2\)得分为0.0。

在用户指南中阅读更多内容。

Parameters

• y_true (类数组，形状 (样本数,) 或 (样本数, 输出数)) – 真实值（正确的）目标值。

• y_pred (数组类型，形状为 (n_samples,) 或 (n_samples, n_outputs)) – 估计的目标值。

• sample_weight (类数组，形状 (n_samples,), 默认值=None) – 样本权重。

• multioutput ({'raw_values', 'uniform_average', 'variance_weighted'}, array-like of shape (n_outputs,) or None, default='uniform_average') –

  定义多个输出分数的聚合。 类数组值定义用于平均分数的权重。 默认值为“uniform_average”。

  ’raw_values’ :

  在多输出输入的情况下返回完整的分数集。

  ’uniform_average’ :

  所有输出的分数都用统一权重进行平均。

  ’variance_weighted’ :

  所有输出的分数被平均，按每个单独输出的方差加权。

Returns

z – \(R^2\) 分数或如果‘multioutput’为‘raw_values’时的分数ndarray。

Return type

float 或浮点数的张量

备注

这不是一个对称函数。

与大多数其他评分不同，\(R^2\) 评分可能是负数（它不一定是某个量 R 的平方）。

该指标对于单个样本定义不明确，如果n_samples小于二，则将返回NaN值。

参考文献

1

关于决定系数的维基百科条目

示例

>>> from mars.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