relative_loss#

relative_loss(y_true, y_pred, relative_loss_function=<function mean_absolute_error>, horizon_weight=None, multioutput='uniform_average', **kwargs)[源代码]#

给定指标下预测值与基准预测值的相对损失。

将预测性能指标应用于一组预测值和基准预测值，并报告预测值指标与基准预测值指标的比率。相对损失输出为非负浮点数。最佳值为 0.0。

如果给定损失函数下基准预测的分数为零，则返回一个很大的值。

此函数允许计算无标度相对损失指标。与平均绝对标度误差 (MASE) 不同，此函数根据基准方法上定义的损失函数计算无标度指标，而不是使用样本内训练数据。与 MASE 一样，使用此函数创建的指标可用于比较单个时间序列上的预测方法以及比较不同时间序列之间的预测精度。

当无标度比较有利但用于生成部分（或全部）预测的训练数据未知时（例如在比较第三方预测或专业预测师调查的损失时），此功能非常有用。

目前仅支持不需要 y_train 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。

y_pred_benchmarkpd.Series, pd.DataFrame 或 shape 为 (fh,) 或 (fh, n_outputs) 的 np.array，其中 fh 是预测范围，默认值=None

基准方法的预测值。

relative_loss_function函数，默认值=mean_absolute_error

用于计算相对损失的函数。该函数必须符合 sktime 预测性能指标的 API 接口。不支持需要 y_train 或 y_pred_benchmark 的指标。

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

预测范围权重。

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

定义如何聚合多变量（多输出）数据的指标。如果是 array-like，则值用作平均误差的权重。如果是 ‘raw_values’，则在多输出输入的情况下返回完整的误差集。如果是 ‘uniform_average’，则所有输出的误差以统一权重进行平均。

返回值:
relative_loss浮点数

给定损失指标下，一种方法的损失相对于基准方法损失的比例。如果 multioutput 是 ‘raw_values’，则对每个输出分别返回相对损失。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相对损失。

参考

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 relative_loss
>>> from sktime.performance_metrics.forecasting import mean_squared_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
>>> relative_loss(y_true, y_pred, y_pred_benchmark=y_pred_benchmark)
0.8148148148148147
>>> relative_loss(y_true, y_pred, y_pred_benchmark=y_pred_benchmark,     relative_loss_function=mean_squared_error)
0.5178095088655261
>>> 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
>>> relative_loss(y_true, y_pred, y_pred_benchmark=y_pred_benchmark)
0.8490566037735847
>>> relative_loss(y_true, y_pred, y_pred_benchmark=y_pred_benchmark,     multioutput='raw_values')
array([0.625     , 1.03448276])
>>> relative_loss(y_true, y_pred, y_pred_benchmark=y_pred_benchmark,     multioutput=[0.3, 0.7])
0.927272727272727
在本页面上