mean_pinball_loss#
- sklearn.metrics.mean_pinball_loss(y_true, y_pred, *, sample_weight=None, alpha=0.5, multioutput='uniform_average')#
Pinball损失用于分位数回归。
更多信息请参阅 用户指南 。
- Parameters:
- y_true类似数组，形状为 (n_samples,) 或 (n_samples, n_outputs)
真实目标值（正确）。
- y_pred类似数组，形状为 (n_samples,) 或 (n_samples, n_outputs)
估计的目标值。
- sample_weight类似数组，形状为 (n_samples,), 默认=None
样本权重。
- alpha浮点数, pinball损失的斜率, 默认=0.5,
当
alpha=0.5时，该损失等价于 平均绝对误差 ，alpha=0.95时，最小化该损失的估计器对应于第95个百分位数。- multioutput{‘raw_values’, ‘uniform_average’} 或 形状为 (n_outputs,) 的类似数组, 默认=’uniform_average’
定义多个输出值的聚合方式。 类似数组的值定义了用于平均误差的权重。
- ‘raw_values’ :
在多输出输入的情况下返回完整的误差集。
- ‘uniform_average’ :
所有输出的误差以均匀权重进行平均。
- Returns:
- loss浮点数或浮点数数组
如果 multioutput 是 ‘raw_values’，则返回每个输出的平均绝对误差。 如果 multioutput 是 ‘uniform_average’ 或权重数组，则返回所有输出误差的加权平均值。
pinball损失输出是一个非负浮点数。最佳值为0.0。
Examples
>>> from sklearn.metrics import mean_pinball_loss >>> y_true = [1, 2, 3] >>> mean_pinball_loss(y_true, [0, 2, 3], alpha=0.1) 0.03... >>> mean_pinball_loss(y_true, [1, 2, 4], alpha=0.1) 0.3... >>> mean_pinball_loss(y_true, [0, 2, 3], alpha=0.9) 0.3... >>> mean_pinball_loss(y_true, [1, 2, 4], alpha=0.9) 0.03... >>> mean_pinball_loss(y_true, y_true, alpha=0.1) 0.0 >>> mean_pinball_loss(y_true, y_true, alpha=0.9) 0.0
