median_absolute_error#

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

中位数绝对误差 (MdAE)。

MdAE 输出是非负浮点数。最佳值为 0.0。

与 MAE 类似，MdAE 与数据处于同一尺度。由于 MAE 采用预测误差的绝对值而非平方，因此 MAE 对大误差的惩罚程度小于 MdSE 或 RdMSE。

采用绝对误差的中位数而非均值，也使得该指标对异常误差更加鲁棒，因为中位数在存在异常值时往往是衡量集中趋势更稳健的指标。

参数:
y_truepd.Series, pd.DataFrame 或形状为 (fh,) 或 (fh, n_outputs) 的 np.array，其中 fh 是预测范围

真实（正确）目标值。

y_predpd.Series, pd.DataFrame 或形状为 (fh,) 或 (fh, n_outputs) 的 np.array，其中 fh 是预测范围

预测值。

horizon_weight形状为 (fh,) 的 array-like，默认为 None

预测范围权重。

multioutput{‘raw_values’, ‘uniform_average’} 或形状为 (n_outputs,) 的 array-like，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 array-like，则值用作平均误差的权重。如果为 ‘raw_values’，则对于多输出输入，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进行平均。

返回:
lossfloat

MdAE 损失。如果 multioutput 是 ‘raw_values’，则分别返回每个输出的 MdAE。如果 multioutput 是 ‘uniform_average’ 或权重的 ndarray，则返回所有输出误差的加权平均 MdAE。

另请参阅

mean_absolute_error
mean_squared_error
median_squared_error
geometric_mean_absolute_error
geometric_mean_squared_error

参考文献

Hyndman, R. J 和 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 median_absolute_error
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> median_absolute_error(y_true, y_pred)
0.5
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> median_absolute_error(y_true, y_pred)
0.75
>>> median_absolute_error(y_true, y_pred, multioutput='raw_values')
array([0.5, 1. ])
>>> median_absolute_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.85
在本页上