sklearn.metrics.mean_tweedie_deviance¶
- sklearn.metrics.mean_tweedie_deviance()¶
Pérdida de regresión Desviación media de Tweedie (mean Tweedie deviance regression loss).
Leer más en el Manual de Usuario.
- Parámetros
- y_truearray-like de forma (n_samples,)
Valores objetivo reales (correctos).
- y_predarray-like de forma (n_samples,)
Valores objetivo estimados.
- sample_weightarray-like de forma (n_samples,), default=None
Ponderaciones de muestras.
- powerfloat, default=0
Parámetro de potencia de Tweedie. O bien power <= 0 o power >= 1.
Cuanto más alto sea
p, menos ponderación se dará a las desviaciones extremas entre los objetivos verdaderos y los predichos.power < 0: Distribución estable extrema. Requiere: y_pred > 0.
power = 0 : Distribución Normal, la salida corresponde a mean_squared_error. y_true y y_pred pueden ser cualquier número real.
power = 1 : Distribución Poisson. Requiere: y_true >= 0 y y_pred > 0.
1 < p < 2 : Distribución Poisson compuesta. Requiere: y_true >= 0 y y_pred > 0.
power = 2 : Distribución Gamma. Requiere: y_true > 0 y y_pred > 0.
power = 3 : Distribución Gaussiana inversa. Requiere: y_true > 0 y y_pred > 0.
de lo contrario : Distribución estable positiva. Requiere: y_true > 0 y y_pred > 0.
- Devuelve
- lossfloat
Un valor de punto flotante no negativo (el mejor valor es 0.0).
Ejemplos
>>> from sklearn.metrics import mean_tweedie_deviance >>> y_true = [2, 0, 1, 4] >>> y_pred = [0.5, 0.5, 2., 2.] >>> mean_tweedie_deviance(y_true, y_pred, power=1) 1.4260...
