median_relative_absolute_error

median_relative_absolute_error(y_true, y_pred, horizon_weight=None, multioutput='uniform_average', **kwargs)

中位相对绝对误差 (MdRAE)。

在相对误差指标中，首先通过将单个预测误差除以使用基准方法在相同索引位置计算的误差来计算相对误差。如果基准方法的误差为零，则返回一个较大的值。

MdRAE 将中位绝对误差 (MdAE) 应用于得到的相对误差。

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

地面实况（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。

y_pred_benchmarkpd.Series、pd.DataFrame 或形状为 (fh,) 或 (fh, n_outputs) 的 np.array，其中 fh 是预测范围，默认值为 None

基准方法的预测值。

horizon_weight形状为 (fh,) 的 array-like 对象，默认值为 None

预测范围权重。

multioutput{‘raw_values’, ‘uniform_average’} 或形状为 (n_outputs,) 的 array-like 对象，默认值为 ‘uniform_average’

定义如何聚合多变量（多输出）数据的指标。如果为 array-like 对象，则其中的值用作误差的加权平均权重。如果为 ‘raw_values’，则对于多输出输入返回完整的误差集合。如果为 ‘uniform_average’，则所有输出的误差将以均匀权重进行平均。

返回:

lossfloat

MdRAE 损失。如果 multioutput 为 ‘raw_values’，则为每个输出分别返回 MdRAE。如果 multioutput 为 ‘uniform_average’ 或一个权重 ndarray，则返回所有输出误差的加权平均 MdRAE。

另请参阅

mean_relative_absolute_error

geometric_mean_relative_absolute_error

geometric_mean_relative_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         median_relative_absolute_error
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> y_pred_benchmark = y_pred*1.1
>>> median_relative_absolute_error(y_true, y_pred,     y_pred_benchmark=y_pred_benchmark)
1.0
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> y_pred_benchmark = y_pred*1.1
>>> median_relative_absolute_error(y_true, y_pred,     y_pred_benchmark=y_pred_benchmark)
0.6944444444444443
>>> median_relative_absolute_error(y_true, y_pred,     y_pred_benchmark=y_pred_benchmark, multioutput='raw_values')
array([0.55555556, 0.83333333])
>>> median_relative_absolute_error(y_true, y_pred,     y_pred_benchmark=y_pred_benchmark, multioutput=[0.3, 0.7])
0.7499999999999999