sklearn.metrics.mean_squared_log_error

sklearn.metrics.mean_squared_log_error()

Pérdida de regresión Error logarítmico cuadrático medio (mean squared logarithmic 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 cuando la entrada tiene formato de salida múltiple.

“uniform_average” :

Los errores de todas las salidas se promedian con una ponderación uniforme.

Devuelve

lossflotante 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_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...