几何平均相对平方误差#

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

几何平均相对平方误差 (GMRSE)。

如果 square_root 为 False，则计算 GMRSE；如果 square_root 为 True，则计算根几何平均相对平方误差（RGMRSE）。

在相对误差指标中，首先通过将单个预测误差按比例（除以）同一索引位置上使用基准方法计算的误差来计算相对误差。如果基准方法的误差为零，则返回一个较大的值。

GMRSE 将几何平均平方误差 (GMSE) 应用于生成的相对误差。RGMRSE 将根几何平均平方误差 (RGMSE) 应用于生成的相对误差。

参数:
y_truepd.Series, pd.DataFrame 或形状为 (fh,) 或 (fh, n_outputs) 的 np.array，其中 fh 是预测范围

地面实况（正确）的目标值。

y_predpd.Series, pd.DataFrame 或形状为 (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 np.array，形状为 (fh,) 或 (fh, n_outputs)，其中 fh 是预测范围，默认=None

来自基准方法的预测值。

horizon_weight类数组的形状 (fh,)，默认=None

预测范围权重。

多输出{‘raw_values’, ‘uniform_average’} 或形状为 (n_outputs,) 的类数组对象，默认=’uniform_average’

定义如何聚合多元（多输出）数据的度量。如果是数组类型，则使用这些值作为权重来平均误差。如果是’raw_values’，则在多输出输入的情况下返回所有误差的完整集合。如果是’uniform_average’，则所有输出的误差以均匀权重平均。

平方根bool, 默认=False

是否取均方误差的平方根。如果为 True，返回均方根误差（RMSPE）；如果为 False，返回均方误差（MSPE）。

返回:
损失float

GMRSE 或 RGMRSE 损失。如果 multioutput 是 ‘raw_values’，则分别返回每个输出的 GMRSE 或 RGMRSE。如果 multioutput 是 ‘uniform_average’ 或一个权重 ndarray，则返回所有输出误差的加权平均 GMRSE 或 RGMRSE。

参见

mean_relative_absolute_error
median_relative_absolute_error
geometric_mean_relative_absolute_error

参考文献

Hyndman, R. J 和 Koehler, A. B. (2006)。《另一种预测准确度量方法》，《国际预测杂志》，第22卷，第4期。

示例

>>> from sktime.performance_metrics.forecasting import         geometric_mean_relative_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
>>> geometric_mean_relative_squared_error(y_true, y_pred,     y_pred_benchmark=y_pred_benchmark)
0.0008303544925949156
>>> 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
>>> geometric_mean_relative_squared_error(y_true, y_pred,     y_pred_benchmark=y_pred_benchmark)
0.622419372049448
>>> geometric_mean_relative_squared_error(y_true, y_pred,     y_pred_benchmark=y_pred_benchmark, multioutput='raw_values')
array([4.09227746e-06, 1.24483465e+00])
>>> geometric_mean_relative_squared_error(y_true, y_pred,     y_pred_benchmark=y_pred_benchmark, multioutput=[0.3, 0.7])
0.8713854839582426
On this page