sklearn.metrics.explained_variance_score

sklearn.metrics.explained_variance_score()

Función de puntaje de regresión de varianza explicada.

La mejor puntuación posible es 1.0, los valores más bajos son peores.

Más información en el Manual de usuario.

Parámetros

y_truearray-like de forma (n_samples,) o (n_samples, n_outputs)

Valores objetivo reales (correctos).

y_predarray-like de forma (n_samples,) o (n_samples, n_outputs)

Valores objetivo estimados.

sample_weightarray-like de forma (n_samples,), default=None

Ponderados de muestra.

multioutput{“raw_values”, “uniform_average”, “variance_weighted”} o array-like de forma (n_outputs,), default=”uniform_average”

Define la agregación de múltiples puntajes de salida. El valor del array-like define los ponderados usados para promediar puntajes.

“raw_values” :

Devuelve un conjunto completo de puntajes en el caso de la entrada multisalida.

“uniform_average” :

Puntajes de todas las salidas promediadas con ponderado uniforme.

“variance_weighted” :

Las puntuaciones de todas las salidas son promediadas, ponderadas por las varianzas de cada salida individual.

Devuelve

scoreflotante o ndarray de flotantes

La varianza explicada o ndarray si “multioutput” es “raw_values”.

Notas

Esta no es una función simétrica.

Ejemplos

>>> from sklearn.metrics import explained_variance_score
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> explained_variance_score(y_true, y_pred)
0.957...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> explained_variance_score(y_true, y_pred, multioutput='uniform_average')
0.983...