dask_ml.metrics.mean_squared_error
dask_ml.metrics.mean_squared_error¶
- dask_ml.metrics.mean_squared_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', squared: bool = True, compute: bool = True) dask_ml._typing.ArrayLike¶
均方误差回归损失。
该文档字符串复制自 sklearn.metrics.mean_squared_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形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组
真实（正确）目标值。
- y_pred形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组
估计目标值。
- sample_weight形状为 (n_samples,) 的类数组，默认为 None
样本权重。
- multioutput{'raw_values', 'uniform_average'} 或形状为 (n_outputs,) 的类数组，默认为 'uniform_average'
定义了多个输出值的聚合方式。类数组值定义了用于平均误差的权重。
- ‘raw_values’
在多输出输入情况下返回完整的误差集。
- ‘uniform_average’
所有输出的误差以均匀权重进行平均。
- 返回
- 损失浮点数或浮点数数组
一个非负浮点值（最佳值为 0.0），或一个浮点值数组，其中每个值对应一个目标。
示例
>>> from sklearn.metrics import mean_squared_error >>> y_true = [3, -0.5, 2, 7] >>> y_pred = [2.5, 0.0, 2, 8] >>> mean_squared_error(y_true, y_pred) 0.375 >>> y_true = [[0.5, 1],[-1, 1],[7, -6]] >>> y_pred = [[0, 2],[-1, 2],[8, -5]] >>> mean_squared_error(y_true, y_pred) 0.708... >>> mean_squared_error(y_true, y_pred, multioutput='raw_values') array([0.41666667, 1. ]) >>> mean_squared_error(y_true, y_pred, multioutput=[0.3, 0.7]) 0.825...