sklearn.metrics.r2_score¶
- sklearn.metrics.r2_score()¶
Función de puntuación de regresión \(R^2\) (coeficiente de determinación).
La mejor puntuación posible es 1.0 y puede ser negativa (porque el modelo puede ser arbitrariamente peor). Un modelo constante que siempre predice el valor esperado de y, sin tener en cuenta las características de entrada, obtendría una puntuación \(R^2\) de 0.0.
Lee más en el Manual de Usuario.
- Parámetros
- y_truearray-like de forma (n_samples,) o (n_samples, n_outputs)
Valores objetivo (correctos) de verdad fundamental.
- 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 la muestra.
- multioutput{“raw_values”, “uniform_average”, “variance_weighted”}, array-like de forma (n_outputs,) o None, default=”uniform_average”
Define la agregación de múltiples puntuaciones de salida. El valor de array-like define los pesos utilizados para promediar las puntuaciones. Por defecto es «uniform_average».
- “raw_values” :
Devuelve un conjunto completo de puntuaciones en el caso de la entrada de salida múltiple.
- “uniform_average” :
Las puntuaciones de todas las salidas se promedian con una ponderación uniforme.
- “variance_weighted” :
Las puntuaciones de todas las salidas se promedian, ponderadas por las varianzas de cada salida individual.
Distinto en la versión 0.19: El valor predeterminado de multioutput es “uniform_average”.
- Devuelve
- zflotante o ndarray de flotantes
La puntuación \(R^2\) o el ndarray de las puntuaciones si “multioutput” es “raw_values”.
Notas
Esta no es una función simétrica.
A diferencia de la mayoría de las otras puntuaciones, la puntuación \(R^2\) puede ser negativa (no es necesario que sea el cuadrado de una cantidad R).
Esta métrica no está bien definida para muestras individuales y devolverá un valor NaN si n_samples es menor que dos.
Referencias
Ejemplos
>>> from sklearn.metrics import r2_score >>> y_true = [3, -0.5, 2, 7] >>> y_pred = [2.5, 0.0, 2, 8] >>> r2_score(y_true, y_pred) 0.948... >>> y_true = [[0.5, 1], [-1, 1], [7, -6]] >>> y_pred = [[0, 2], [-1, 2], [8, -5]] >>> r2_score(y_true, y_pred, ... multioutput='variance_weighted') 0.938... >>> y_true = [1, 2, 3] >>> y_pred = [1, 2, 3] >>> r2_score(y_true, y_pred) 1.0 >>> y_true = [1, 2, 3] >>> y_pred = [2, 2, 2] >>> r2_score(y_true, y_pred) 0.0 >>> y_true = [1, 2, 3] >>> y_pred = [3, 2, 1] >>> r2_score(y_true, y_pred) -3.0
