mean_asymmetric_error

mean_asymmetric_error(y_true, y_pred, asymmetric_threshold=0.0, left_error_function='squared', right_error_function='absolute', left_error_penalty=1.0, right_error_penalty=1.0, horizon_weight=None, multioutput='uniform_average', **kwargs)

计算非对称损失函数的均值。

输出是非负浮点数。最佳值为 0.0。

小于不对称阈值的错误值会应用 left_error_function。大于或等于不对称阈值的错误值会应用 right_error_function。

许多预测损失函数（如 [1] 中讨论的那些）假设过高和过低的预测应受到相同的惩罚。然而，这可能与预测用户面临的实际成本不一致。当过高和过低预测的成本不同时，非对称损失函数非常有用。

将 asymmetric_threshold 设置为零，left_error_function 设置为 ‘squared’，right_error_function 设置为 ‘absolute’ 会导致对过度预测（y_true - y_pred < 0）施加更大的惩罚。相反，如果 left_error_function 设置为 ‘absolute’，right_error_function 设置为 ‘squared’，则情况相反。

left_error_penalty 和 right_error_penalty 可以用来为过度预测和不足预测添加不同的乘法惩罚。

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。

asymmetric_thresholdfloat, 默认 = 0.0

用于阈值不对称损失函数的值。小于不对称阈值的误差值应用 left_error_function。大于或等于不对称阈值的误差值应用 right_error_function。

left_error_function{‘平方’, ‘绝对值’}, 默认=’平方’

应用于小于非对称阈值的错误值的损失惩罚。

right_error_function{‘平方’, ‘绝对值’}, 默认=’绝对值’

应用于大于或等于非对称阈值的错误值的损失惩罚。

left_error_penaltyint 或 float, 默认值=1.0

对小于非对称阈值的错误值应用的额外乘法惩罚。

right_error_penaltyint 或 float, 默认值=1.0

对大于非对称阈值的错误值应用的额外乘法惩罚。

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’

定义如何聚合多元（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。

返回:

asymmetric_loss浮动

使用错误的不对称惩罚的损失。如果 multioutput 是 ‘raw_values’，则分别返回每个输出的不对称损失。如果 multioutput 是 ‘uniform_average’ 或一个权重 ndarray，则返回所有输出错误加权平均的不对称损失。

参见

mean_linex_error

注释

将 left_error_function 和 right_error_function 设置为 “absolute”，但为 left_error_penalty 和 right_error_penalty 选择不同的值，将导致在 [2] 中讨论的 “lin-lin” 误差函数。

参考文献

[1]

Hyndman, R. J 和 Koehler, A. B. (2006)。“另一种看待预测准确性度量的方法”，《国际预测杂志》，第22卷，第4期。

[2]

Diebold, Francis X. (2007). “预测要素 (第4版)”, Thomson, South-Western: 美国俄亥俄州。

示例

>>> import numpy as np
>>> from sktime.performance_metrics.forecasting import mean_asymmetric_error
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> mean_asymmetric_error(y_true, y_pred)
0.5
>>> mean_asymmetric_error(y_true, y_pred, left_error_function='absolute',     right_error_function='squared')
0.4625
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> mean_asymmetric_error(y_true, y_pred)
0.75
>>> mean_asymmetric_error(y_true, y_pred, left_error_function='absolute',     right_error_function='squared')
0.7083333333333334
>>> mean_asymmetric_error(y_true, y_pred, multioutput='raw_values')
array([0.5, 1. ])
>>> mean_asymmetric_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.85