中位数平方误差#

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

中位数平方误差 (MdSE) 或根中位数平方误差 (RMdSE)。

如果 square_root 为 False，则计算 MdSE；如果 square_root 为 True，则计算 RMdSE。MdSE 和 RMdSE 都返回非负浮点数。最佳值为 0.0。

与MSE类似，MdSE以输入数据的平方单位进行测量。RMdSE与输入数据在同一尺度上，类似于RMSE。因为MdSE和RMdSE对预测误差进行平方而不是取绝对值，所以它们对大误差的惩罚比MAE或MdAE更重。

采用平方误差的中间值而不是平均值，使得这种度量相对于基于平均值的度量对误差异常值更为稳健，因为在存在异常值的情况下，中位数往往是中心趋势的更稳健的度量。

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形状为 (fh,) 的类数组，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。

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（RMSE）；如果为 False，则返回均方误差（MSE）。

返回:
损失浮动

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

参见

mean_absolute_error
median_absolute_error
mean_squared_error
geometric_mean_absolute_error
geometric_mean_squared_error

参考文献

Hyndman, R. J 和 Koehler, A. B. (2006)。“再论预测准确性的度量”，《国际预测杂志》，第22卷，第4期。

示例

>>> from sktime.performance_metrics.forecasting import median_squared_error
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> median_squared_error(y_true, y_pred)
0.25
>>> median_squared_error(y_true, y_pred, square_root=True)
0.5
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> median_squared_error(y_true, y_pred)
0.625
>>> median_squared_error(y_true, y_pred, square_root=True)
0.75
>>> median_squared_error(y_true, y_pred, multioutput='raw_values')
array([0.25, 1.  ])
>>> median_squared_error(y_true, y_pred, multioutput='raw_values', square_root=True)
array([0.5, 1. ])
>>> median_squared_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.7749999999999999
>>> median_squared_error(y_true, y_pred, multioutput=[0.3, 0.7], square_root=True)
0.85
On this page