Python 有人能举例说明两个矩阵的sklearn.mean_绝对误差的基本方法吗？

mean_absolute_error函数计算mean absolute error，这是一种风险度量，对应于绝对误差损失或L1范数损失的预期值

我了解2个“向量”的过程

将每个向量中对应元素之间的所有绝对差值相加，然后除以向量的长度

这段代码正是sklearn.mean_绝对_2“vectors”错误的底层处理

我不能理解的是矩阵的方法

>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> mean_absolute_error(y_true, y_pred)
0.75

很明显，这一过程并非如此

>>> res = 0
>>> for t,p in zip(y_true, y_pred):
... res = res + np.abs(t[0]-p[0]) + np.abs(t[1]-p[1])
>>> res/4
1.125

---

有人能举例说明两个矩阵的sklearn.mean_absolute_error的基本方法吗？

以矩阵为输入，总损失仅除以元素总数。在您的示例中，总损失为4.5（0.5+1+0+1+1+1），我们有六个元素（三乘以二），因此绝对误差的输出为4.5/6=0.75，正如预期的那样。

为什么要除以4？预测/真值中各有6个数字。总绝对差值为4.5。结果为4.5/6=0.75。@xdurch0非常感谢！请移动你的评论来回答，我会接受的。

>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> mean_absolute_error(y_true, y_pred)
0.75

>>> res = 0
>>> for t,p in zip(y_true, y_pred):
... res = res + np.abs(t[0]-p[0]) + np.abs(t[1]-p[1])
>>> res/4
1.125