mean_absolute_percentage_error#

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

平均绝对百分比误差 (MAPE) 或其对称版本。

如果 symmetric 为 False，则计算 MAPE；如果 symmetric 为 True，则计算对称平均绝对百分比误差（sMAPE）。MAPE 和 sMAPE 的输出均为非负浮点数。最佳值为 0.0。

sMAPE 是相对于测试数据的百分比误差。因为它取的是百分比预测误差的绝对值而不是平方，所以它对大误差的惩罚小于 MSPE、RMSPE、MdSPE 或 RMdSPE。

错误的大小没有限制，特别是在 y_true 值接近零时。在这种情况下，函数返回一个较大的值而不是 inf。

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。

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，默认=’uniform_average’

定义如何聚合多变量（多输出）数据的度量。如果是类数组，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。

对称bool, 默认=False

如果为 True，则计算度量的对称版本。

返回:
损失浮动

MAPE 或 sMAPE 损失。如果 multioutput 是 ‘raw_values’，则分别返回每个输出的 MAPE 或 sMAPE。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 MAPE 或 sMAPE。

参见

median_absolute_percentage_error
mean_squared_percentage_error
median_squared_percentage_error

参考文献

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

示例

>>> from sktime.performance_metrics.forecasting import     mean_absolute_percentage_error
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> mean_absolute_percentage_error(y_true, y_pred, symmetric=False)
0.33690476190476193
>>> mean_absolute_percentage_error(y_true, y_pred, symmetric=True)
0.5553379953379953
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> mean_absolute_percentage_error(y_true, y_pred, symmetric=False)
0.5515873015873016
>>> mean_absolute_percentage_error(y_true, y_pred, symmetric=True)
0.6080808080808081
>>> mean_absolute_percentage_error(y_true, y_pred, multioutput='raw_values',         symmetric=False)
array([0.38095238, 0.72222222])
>>> mean_absolute_percentage_error(y_true, y_pred, multioutput='raw_values',         symmetric=True)
array([0.71111111, 0.50505051])
>>> mean_absolute_percentage_error(y_true, y_pred, multioutput=[0.3, 0.7],     symmetric=False)
0.6198412698412699
>>> mean_absolute_percentage_error(y_true, y_pred, multioutput=[0.3, 0.7],     symmetric=True)
0.5668686868686869
On this page