mean_squared_percentage_error#

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

均方百分比误差 (MSPE) 或其平方根版本。

如果 square_root 为 False，则计算 MSPE；如果 square_root 为 True，则计算均方百分比误差（RMSPE）。如果 symmetric 为 True，则计算 sMSPE 或 sRMSPE。输出为非负浮点数。最佳值为 0.0。

MSPE 是相对于测试数据以平方百分比误差来衡量的，而 RMSPE 是相对于测试数据以百分比误差来衡量的。由于计算时采用了平方而非百分比预测误差的绝对值，因此大误差比 MAPE、sMAPE、MdAPE 或 sMdAPE 受到的惩罚更大。

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

地面真值（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形状为 (fh,) 的类数组，默认为 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。

平方根bool, 默认=False

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

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

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

参见

mean_absolute_percentage_error
median_absolute_percentage_error
median_squared_percentage_error

参考文献

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

示例

>>> from sktime.performance_metrics.forecasting import mean_squared_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_squared_percentage_error(y_true, y_pred, symmetric=False)
0.23776218820861678
>>> mean_squared_percentage_error(y_true, y_pred, square_root=True,     symmetric=False)
0.48760864246710883
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> mean_squared_percentage_error(y_true, y_pred, symmetric=False)
0.5080309901738473
>>> mean_squared_percentage_error(y_true, y_pred, square_root=True,     symmetric=False)
0.7026794936195895
>>> mean_squared_percentage_error(y_true, y_pred, multioutput='raw_values',     symmetric=False)
array([0.34013605, 0.67592593])
>>> mean_squared_percentage_error(y_true, y_pred, multioutput='raw_values',     square_root=True, symmetric=False)
array([0.58321184, 0.82214714])
>>> mean_squared_percentage_error(y_true, y_pred, multioutput=[0.3, 0.7],     symmetric=False)
0.5751889644746787
>>> mean_squared_percentage_error(y_true, y_pred, multioutput=[0.3, 0.7],     square_root=True, symmetric=False)
0.7504665536595034
On this page