sklearn.metrics.median_absolute_error¶
- sklearn.metrics.median_absolute_error()¶
Pérdida de regresión por mediana del error absoluto (median absolute error regression loss).
La salida de la mediana del error absoluto es de punto flotante no negativo. El mejor valor es 0.0. 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.
- 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.
- sample_weightarray-like de forma (n_samples,), default=None
Ponderaciones de muestras.
Nuevo en la versión 0.24.
- Devuelve
- lossfloat o ndarray de floats
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.
Ejemplos
>>> from sklearn.metrics import median_absolute_error >>> y_true = [3, -0.5, 2, 7] >>> y_pred = [2.5, 0.0, 2, 8] >>> median_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]] >>> median_absolute_error(y_true, y_pred) 0.75 >>> median_absolute_error(y_true, y_pred, multioutput='raw_values') array([0.5, 1. ]) >>> median_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7]) 0.85
