主页 / coding / 问题 / 78937980
Accepted
Sergio Solorzano
Asked: 2024-09-02 01:32:59 +0800 CST

无法重现 torcheval.metrics.r2_score 中的平方和计算

  • 772

我手动计算 R^2，并将结果与​​没有多输出的 torcheval.metrics.regression.r2_score 进行比较，但我没有绑定总和平方计算，因此手动 R^2 与 torcheval 不同：

手动方法：

#Manual approach code
ss_total = torch.sum((var1 - torch.mean(var1)) ** 2)
ss_residual = torch.sum((var1 - var2) ** 2)
r2 = 1 - (ss_residual / ss_total)
print("R^2 manual",r2, "my ss_total", ss_total, "ss_residual", ss_residual)
#R^2 manual tensor(-1.4128, device='cuda:0') my ss_total tensor(3.7081, device='cuda:0') ss_residual tensor(8.9471, device='cuda:0')

手工计算结果

Torcheval.metrics 方法tss 公式文档无需多输出：

sum_squared_obs = torch.sum((actual - torch.mean(actual)) ** 2)
tss sum squared calculation = sum_squared_obs - torch.square(sum_obs) / num_obs
r_squared = 1 - (rss / tss)

#torcheval.metrics.regression.r2_score tested in script
metric = R2Score(device=device)
update = metric.update(var1, var2)
print("sum_squared_residual",update.sum_squared_residual)
print("sum_obs",update.sum_obs)
print("torch.square(sum_obs)",torch.square(update.sum_obs))
print("num_obs",len(var1))
print("sum_squared_obs",update.sum_squared_obs)
r2_py = metric.compute()
print("R^2 pytorch",r2_py)
#sum_squared_residual tensor(8.9471, device='cuda:0')
#sum_obs tensor(-29.9617, device='cuda:0')
#torch.square(sum_obs) tensor(897.7044, device='cuda:0')
#num_obs 64
#sum_squared_obs tensor(22.2245, device='cuda:0')
#R^2 pytorch tensor(-0.0914, device='cuda:0')
#R^2 var_weight pytorch tensor(-0.0914, device='cuda:0')

excel 中的反转 torcheval r_square

我无法解开 tss。

有人能解释一下这两种方法有什么区别吗？

我已经在 Excel 中保存了实际值和预测值，并使用这两种方法计算 R^2。

pytorch

1 个回答

  1. Best Answer

    R2 不对称。由于你改变了哪个变量是基本事实，所以你会得到不同的结果。

    在第一段代码中，您将其var1视为基本真实值并将var2其视为预测值。

    在第二部分代码中，您将其var2视为基本事实并将var1其视为预测值。

    import torch
from torcheval.metrics.regression import R2Score

var1 = torch.randn(64)
var2 = torch.randn(64)

def compute_r2(inputs, targets):
    ss_total = torch.sum((targets - torch.mean(targets)) ** 2)
    ss_residual = torch.sum((targets - inputs) ** 2)
    r2 = 1 - (ss_residual / ss_total)
    return r2

def compute_r2_metric(inputs, targets):
    metric = R2Score()
    metric.update(inputs, targets)
    r2 = metric.compute()
    return r2

# treat var1 as input, var2 as target
print(compute_r2(var1, var2))
> tensor(-0.8324)

print(compute_r2_metric(var1, var2))
> tensor(-0.8324)

# treat var2 as input, var1 as target
print(compute_r2(var2, var1))
> tensor(-1.9208)

print(compute_r2_metric(var2, var1))
> tensor(-1.9208)
    • 1

相关问题