几何平均平方误差#

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

几何平均平方误差 (GMSE) 或 根几何平均平方误差 (RGMSE)。

如果 square_root 为 False，则计算 GMSE；如果 square_root 为 True，则计算 RGMSE。GMSE 和 RGMSE 都返回非负浮点数。最佳值接近于零，而不是零。

与 MSE 和 MdSE 类似，GMSE 的单位是输入数据的平方单位。RMdSE 与 RMSE 和 RdMSE 一样，单位与输入数据相同。因为 GMSE 和 RGMSE 是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 GMAE 更重。

参数:
y_truepd.Series, pd.DataFrame 或 np.array，形状为 (fh,) 或 (fh, n_outputs)，其中 fh 是预测范围

地面实况（正确）目标值。

y_predpd.Series, pd.DataFrame 或 np.array，形状为 (fh,) 或 (fh, n_outputs)，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，则返回根几何均方误差（RGMSE）；如果为False，则返回几何均方误差（GMSE）。

返回:
损失浮动

GMSE 或 RGMSE 损失。如果 multioutput 是 ‘raw_values’，则分别返回每个输出的损失。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
median_squared_error
geometric_mean_absolute_error

注释

几何平均数使用数值的乘积进行计算。如果存在零值，即使其他所有值都很大，结果也将为零。为了在 y_true 和 y_pred 的元素相等（零误差）的情况下部分解决这个问题，计算中将零误差值替换为一个小值。这导致度量标准的最小值（当 y_true 等于 y_pred 时）接近但并不完全为零。

参考文献

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

示例

>>> import numpy as np
>>> from sktime.performance_metrics.forecasting import     geometric_mean_squared_error as gmse
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> gmse(y_true, y_pred)  
2.80399089461488e-07
>>> gmse(y_true, y_pred, square_root=True)  
0.000529527232030127
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> gmse(y_true, y_pred)  
0.5000000000115499
>>> gmse(y_true, y_pred, square_root=True)  
0.5000024031086919
>>> gmse(y_true, y_pred, multioutput='raw_values')  
array([2.30997255e-11, 1.00000000e+00])
>>> gmse(y_true, y_pred, multioutput='raw_values',     square_root=True)  
array([4.80621738e-06, 1.00000000e+00])
>>> gmse(y_true, y_pred, multioutput=[0.3, 0.7])  
0.7000000000069299
>>> gmse(y_true, y_pred, multioutput=[0.3, 0.7],     square_root=True)  
0.7000014418652152
On this page