median_squared_error#

median_squared_error(y_true, y_pred, horizon_weight=None, multioutput='uniform_average', square_root=False, **kwargs)[源代码]#

中值平方误差 (MdSE) 或均方根中值平方误差 (RMdSE)。

如果 square_root 为 False，则计算 MdSE；如果为 True，则计算 RMdSE。MdSE 和 RMdSE 都返回非负浮点数。最优值为 0.0。

与 MSE 类似，MdSE 的度量单位是输入数据的平方单位。RMdSE 与 RMSE 一样，度量单位与输入数据相同。由于 MdSE 和 RMdSE 使用平方预测误差而不是绝对值，它们对大误差的惩罚比 MAE 或 MdAE 更重。

与基于均值的度量相比，取平方误差的中值而不是均值使得该度量对误差离群值更具鲁棒性，因为在存在离群值的情况下，中值通常是衡量集中趋势的更稳健的指标。

参数:
y_truepd.Series、pd.DataFrame 或 shape 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 shape 为 (fh,) 或 (fh, n_outputs) 的 np.array，其中 fh 是预测范围

预测值。

horizon_weightshape 为 (fh,) 的 array-like 对象，默认值为 None

预测范围权重。

multioutput{‘raw_values’, ‘uniform_average’} 或 shape 为 (n_outputs,) 的 array-like 对象，默认值为 ‘uniform_average’

定义如何聚合多元（多输出）数据的度量。如果为 array-like 对象，则值用作权值来平均误差。如果为 ‘raw_values’，则在多输出输入的情况下返回完整的误差集合。如果为 ‘uniform_average’，则所有输出的误差以均匀权值进行平均。

square_rootbool，默认值为 False

是否对平方误差的中值取平方根。如果为 True，返回均方根中值平方误差 (RMdSE)。如果为 False，返回中值平方误差 (MdSE)。

返回:
lossfloat

MdSE 损失。如果 multioutput 为 ‘raw_values’，则为每个输出分别返回 MdSE。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 MdSE。

另请参阅

平均绝对误差
中值绝对误差
均方误差
几何平均绝对误差
几何均方误差

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_squared_error
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> median_squared_error(y_true, y_pred)
0.25
>>> median_squared_error(y_true, y_pred, square_root=True)
0.5
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> median_squared_error(y_true, y_pred)
0.625
>>> median_squared_error(y_true, y_pred, square_root=True)
0.75
>>> median_squared_error(y_true, y_pred, multioutput='raw_values')
array([0.25, 1.  ])
>>> median_squared_error(y_true, y_pred, multioutput='raw_values', square_root=True)
array([0.5, 1. ])
>>> median_squared_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.7749999999999999
>>> median_squared_error(y_true, y_pred, multioutput=[0.3, 0.7], square_root=True)
0.85
在此页面上