负二项分布损失#

class pytorch_forecasting.metrics.distributions.NegativeBinomialDistributionLoss(name: str = None, quantiles: List[float] | None = None, reduction='mean')[来源]#

基础： DistributionLoss

负二项损失，例如用于计数数据。

Requirements for original target normalizer:

  • 非中心化归一化（仅重新缩放）

初始化指标

Parameters:

  • name (str) – 指标名称。默认为类名称。

  • 分位数 (列表[浮点数], 可选) – 概率范围的分位数。 默认为 [0.02, 0.1, 0.25, 0.5, 0.75, 0.9, 0.98]。

  • reduction (str, 可选) – 减少方式，“none”，“mean”或“sqrt-mean”。默认为“mean”。

方法

map_x_to_distribution(x)

将参数的张量映射到概率分布。

rescale_parameters(参数, 目标尺度, ...)

将标准化参数重新缩放到输出所需的尺度。

to_prediction(y_pred)

将网络预测转换为点预测。
distribution_class#

别名为 NegativeBinomial

map_x_to_distribution(x: Tensor) → NegativeBinomial[来源]#

将参数的张量映射到概率分布。

Parameters:

x (torch.Tensor) – 概率分布的参数。最后一个维度将索引这些参数

Returns:

在此定义的torch概率分布

类属性 distribution_class

Return type:

分布.Distribution

rescale_parameters(parameters: Tensor, target_scale: Tensor, encoder: 基础估计器) → Tensor[来源]#

将标准化参数重新缩放到输出所需的尺度。

Parameters:

  • 参数 (torch.Tensor) – 规范化参数（按最后一个维度索引）

  • target_scale (torch.Tensor) – 参数的规模 (n_batch_samples x (中心, 缩放))

  • encoder (BaseEstimator) – 原始编码器，最初对目标进行了标准化

Returns:

真实/非标准化空间中的参数

Return type:

torch.Tensor

to_prediction(y_pred: Tensor) → Tensor[来源]#

将网络预测转换为点预测。在这种分布预测的情况下，我们需要从分布参数中推导出均值（作为点预测）

Parameters:

  • y_pred – 网络的预测输出

  • binomial (在这种情况下为负的两个参数)

Returns:

平均预测

Return type:

torch.Tensor