dask_ml.metrics.mean_absolute_error
dask_ml.metrics.mean_absolute_error¶
- dask_ml.metrics.mean_absolute_error(y_true: dask_ml._typing.ArrayLike, y_pred: dask_ml._typing.ArrayLike, sample_weight: Optional[dask_ml._typing.ArrayLike] = None, multioutput: Optional[str] = 'uniform_average', compute: bool = True) dask_ml._typing.ArrayLike¶
平均绝对误差回归损失。
此文档字符串复制自 sklearn.metrics.mean_absolute_error。
可能与 Dask 版本存在一些不一致之处。
在用户指南中阅读更多内容。
- 参数
- y_true形如 (n_samples,) 或 (n_samples, n_outputs) 的类数组
真实（正确）目标值。
- y_pred形如 (n_samples,) 或 (n_samples, n_outputs) 的类数组
估计的目标值。
- sample_weight形如 (n_samples,) 的类数组，默认为 None
样本权重。
- multioutput{'raw_values', 'uniform_average'} 或形如 (n_outputs,) 的类数组，默认为 'uniform_average'
定义如何聚合多个输出值。类数组值定义用于平均误差的权重。
- 'raw_values'
在多输出输入的情况下，返回一组完整的误差。
- 'uniform_average'
所有输出的误差以均匀权重进行平均。
- 返回值
- loss浮点数或浮点数数组
如果 multioutput 为 'raw_values'，则为每个输出分别返回平均绝对误差。如果 multioutput 为 'uniform_average' 或权重 ndarray，则返回所有输出误差的加权平均值。
MAE 输出是非负浮点数。最佳值为 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...