mean_absolute_error#

mean_absolute_error(y_true, y_pred, horizon_weight=None, multioutput='uniform_average', **kwargs)[source]#

平均绝对误差 (MAE)。

MAE 输出是非负浮点数。最优值为 0.0。

MAE 与数据的尺度相同。由于 MAE 取预测误差的绝对值而不是平方，因此 MAE 对大误差的惩罚程度小于 MSE 或 RMSE。

参数：

y_truepd.Series, pd.DataFrame 或 np.array，形状为 (fh,) 或 (fh, n_outputs)，其中 fh 是预测范围: 真实（正确）目标值。
y_predpd.Series, pd.DataFrame 或 np.array，形状为 (fh,) 或 (fh, n_outputs)，其中 fh 是预测范围: 预测值。
horizon_weight形状为 (fh,) 的类似数组，默认为 None: 预测范围权重。
multioutput{‘raw_values’, ‘uniform_average’} 或形状为 (n_outputs,) 的类似数组，默认为 ‘uniform_average’: 定义如何聚合多变量（多输出）数据的指标。如果为类似数组，则值用作平均误差的权重。如果为 ‘raw_values’，则在多输出输入情况下返回完整的误差集。如果为 ‘uniform_average’，则所有输出的误差以均匀权重平均。

返回：

loss浮点数或浮点数 ndarray: MAE 损失。如果 multioutput 为 ‘raw_values’，则为每个输出分别返回 MAE。如果 multioutput 为 ‘uniform_average’ 或权重 ndarray，则返回所有输出误差的加权平均 MAE。

另请参阅

median_absolute_error
mean_squared_error
median_squared_error
geometric_mean_absolute_error
geometric_mean_squared_error

参考文献

Hyndman, R. J and Koehler, A. B. (2006). “Another look at measures of forecast accuracy”, International Journal of Forecasting, Volume 22, Issue 4.

示例

>>> import numpy as np
>>> from sktime.performance_metrics.forecasting import mean_absolute_error
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> mean_absolute_error(y_true, y_pred)
0.55
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> mean_absolute_error(y_true, y_pred)
0.75
>>> mean_absolute_error(y_true, y_pred, multioutput='raw_values')
array([0.5, 1. ])
>>> mean_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.85