sklearn.metrics.mean_absolute_error¶
- sklearn.metrics.mean_absolute_error()¶
Pérdida de regresión Error absoluto medio (mean absolute error regression loss).
Leer más 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
Ponderaciones de muestras.
- multioutput{“raw_values”, “uniform_average”} o array-like de forma (n_outputs,), default=”uniform_average”
Define la agregación de múltiples valores de salida. El valor array-like define las ponderaciones utilizadas para promediar los errores.
- “raw_values” :
Devuelve un conjunto completo de errores en caso de entrada multisalida.
- “uniform_average” :
Los errores de todas las salidas se promedian con una ponderación uniforme.
- Devuelve
- lossflotante o ndarray de flotantes
Si multioutput es “raw_values”, entonces se devuelve el error absoluto medio para cada salida por separado. Si multioutput es “uniform_average” o un ndarray de ponderaciones, entonces se devuelve la media ponderada de todos los errores de salida.
La salida MAE es de punto flotante no negativo. El mejor valor es 0.0.
Ejemplos
>>> 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...
