dask_ml.metrics.mean_squared_log_error
dask_ml.metrics.mean_squared_log_error¶
- dask_ml.metrics.mean_squared_log_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¶
均方对数误差回归损失。
此文档字符串复制自 sklearn.metrics.mean_squared_log_error。
可能与 Dask 版本存在一些不一致之处。
更多信息请参阅 用户指南。
- 参数
- y_true形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象
真实（正确）目标值。
- y_pred形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组对象
估计目标值。
- sample_weight形状为 (n_samples,) 的类数组对象，默认为 None
样本权重。
- multioutput{'raw_values', 'uniform_average'} 或形状为 (n_outputs,) 的类数组对象，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'
当输入为多输出格式时，返回完整的误差集。
- 'uniform_average'
所有输出的误差按均匀权重平均。
- 返回值
- loss浮点数或浮点数组成的 ndarray
一个非负浮点值（最优值为 0.0），或一个浮点值数组，每个目标一个值。
示例
>>> from sklearn.metrics import mean_squared_log_error >>> y_true = [3, 5, 2.5, 7] >>> y_pred = [2.5, 5, 4, 8] >>> mean_squared_log_error(y_true, y_pred) 0.039... >>> y_true = [[0.5, 1], [1, 2], [7, 6]] >>> y_pred = [[0.5, 2], [1, 2.5], [8, 8]] >>> mean_squared_log_error(y_true, y_pred) 0.044... >>> mean_squared_log_error(y_true, y_pred, multioutput='raw_values') array([0.00462428, 0.08377444]) >>> mean_squared_log_error(y_true, y_pred, multioutput=[0.3, 0.7]) 0.060...