torcheval.metrics.functional.r2_score

torcheval.metrics.functional.r2_score(input: Tensor, target: Tensor, *, multioutput: str = 'uniform_average', num_regressors: int = 0) → Tensor

计算 R 平方得分，它是自变量可以解释因变量方差的比例。它的类版本是 torcheval.metrics.R2Score。

参数：:

• input – 形状为 (n_sample, n_output) 的预测值张量。

• target – 形状为 (n_sample, n_output) 的真实值张量。

• multioutput (可选) –

  • 'uniform_average' [默认]

    返回所有输出的平均得分，权重相等。

  • 'raw_values':

    返回完整的得分集。

  • variance_weighted:

    返回所有输出的平均得分，由每个单独输出的方差加权。

• num_regressors (可选) – 使用的自变量数量，应用于调整后的 R 平方得分。默认为零（标准 R 平方得分）。

引发：:

ValueError –

• 如果 multioutput 的值不存在于 (raw_values, uniform_average, variance_weighted) 中。 - 如果 num_regressors 的值不是 [0, n_samples - 1] 范围内的 integer。

示例

>>> import torch
>>> from torcheval.metrics.functional import r2_score
>>> input = torch.tensor([0, 2, 1, 3])
>>> target = torch.tensor([0, 1, 2, 3])
>>> r2_score(input, target)
tensor(0.6)

>>> input = torch.tensor([[0, 2], [1, 6]])
>>> target = torch.tensor([[0, 1], [2, 5]])
>>> r2_score(input, target)
tensor(0.6250)

>>> input = torch.tensor([[0, 2], [1, 6]])
>>> target = torch.tensor([[0, 1], [2, 5]])
>>> r2_score(input, target, multioutput="raw_values")
tensor([0.5000, 0.7500])

>>> input = torch.tensor([[0, 2], [1, 6]])
>>> target = torch.tensor([[0, 1], [2, 5]])
>>> r2_score(input, target, multioutput="variance_weighted")
tensor(0.7000)

>>> input = torch.tensor([1.2, 2.5, 3.6, 4.5, 6])
>>> target = torch.tensor([1, 2, 3, 4, 5])
>>> r2_score(input, target, multioutput="raw_values", num_regressors=2)
tensor(0.6200)