TimeSeriesPredictor.evaluate

TimeSeriesPredictor.evaluate(data: TimeSeriesDataFrame | DataFrame | Path | str, model: str | None = None, metrics: str | TimeSeriesScorer | List[str | TimeSeriesScorer] | None = None, display: bool = False, use_cache: bool = True) → Dict[str, float][source]

评估给定数据集的预测准确性。

该方法通过使用data中每个时间序列的最后self.prediction_length个时间步长作为保留集来衡量预测准确性。

Parameters:

  • data (Union[TimeSeriesDataFrame, pd.DataFrame, Path, str]) –

    用于评估最佳模型的数据。data 中每个时间序列的最后 prediction_length 个时间步长将被保留用于预测，并将在这些时间步长上计算预测准确性。

    必须包括历史和未来数据（即 data 中所有时间序列的长度必须至少为 prediction_length + 1）。

    如果在创建预测器时指定了 known_covariates_names，则 data 必须包括 known_covariates_names 中列出的列，并且协变量值必须与目标时间序列对齐。

    如果用于训练预测器的 train_data 包含过去的协变量或静态特征，则 data 也必须包含它们（具有相同的列名和数据类型）。

    如果提供的数据是 pandas DataFrame 的实例，AutoGluon 将尝试自动将其转换为 TimeSeriesDataFrame。

  • model (str, optional) – Name of the model that you would like to evaluate. By default, the best model during training (with highest validation score) will be used.

  • metrics (str, TimeSeriesScorer 或 List[Union[str, TimeSeriesScorer]], 可选) – 用于计算分数的指标或指标列表。默认为 self.eval_metric。支持字符串形式的指标名称和基于 TimeSeriesScorer 的自定义指标。

  • display (bool, default = False) – 如果为True，分数将被打印出来。

  • use_cache (bool, default = True) – If True, will attempt to use the cached predictions. If False, cached predictions will be ignored. This argument is ignored if cache_predictions was set to False when creating the TimeSeriesPredictor.

Returns:

scores_dict – 字典，其中键 = 指标，值 = 每个指标的性能。为了保持一致性，误差指标的符号将被翻转以遵守此约定。例如，将报告负的MAPE值。 要获取eval_metric分数，请执行output[predictor.eval_metric.name]。

Return type:

Dict[str, float]