sklearn.metrics.mean_squared_error¶
- sklearn.metrics.mean_squared_error()¶
Pérdida de regresión Error cuadrático medio (mean squared 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.
- squaredbool, default=True
Si es True devuelve el valor MSE, si es False devuelve el valor RMSE.
- Devuelve
- lossflotantes o ndarray de flotantes
Un valor de punto flotante no negativo (el mejor valor es 0.0), o un arreglo de valores de punto flotante, uno para cada objetivo individual.
Ejemplos
>>> 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 = [3, -0.5, 2, 7] >>> y_pred = [2.5, 0.0, 2, 8] >>> mean_squared_error(y_true, y_pred, squared=False) 0.612... >>> 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, squared=False) 0.822... >>> 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...
