指标#
已实施多种指标以简化适应过程。
特别是，这些指标可以应用于多时间范围预测问题，即可以处理不仅形状为n_samples的张量，还可以处理形状为n_samples x prediction_horizon甚至n_samples x prediction_horizon x n_outputs的张量，其中n_outputs可能是预测的分位数数量。
指标可以通过加法轻松组合，例如。
from pytorch_forecasting.metrics import SMAPE, MAE
composite_metric = SMAPE() + 1e-4 * MAE()
在训练时，这种复合指标非常有用，因为它们可以减少其他指标中的异常值。 在示例中，SMAPE 主要被优化，同时避免了 MAE 中的大异常值。
此外，可以修改损失度量以减少平均预测偏差，即确保预测值相加。例如：
from pytorch_forecasting.metrics import MAE, AggregationMetric
composite_metric = MAE() + AggregationMetric(metric=MAE())
在这里，我们向MAE添加了一个额外的损失。这个额外的损失是在平均预测值和实际值上计算的MAE。我们还可以使用其他指标，如SMAPE，以确保在该指标中聚合结果是无偏的。需要记住的一个重要点是，这个指标是在样本之间计算的，即它会根据批量大小的不同而变化。特别是，随着批量大小的增加，误差往往会平均化。
详情#
有关可用指标的更多详细信息，请参阅API文档：