mean_absolute_scaled_error#

mean_absolute_scaled_error(y_true, y_pred, sp=1, horizon_weight=None, multioutput='uniform_average', **kwargs)[源代码][源代码]#

平均绝对缩放误差 (MASE)。

MASE 输出是非负浮点数。最佳值为 0.0。

与其他缩放的性能指标类似，这种无尺度的误差指标可以用于比较单一系列上的预测方法，也可以用于比较不同系列之间的预测准确性。

这个指标非常适合用于间歇性需求序列，因为它不会给出无限或未定义的值，除非训练数据是一个平坦的时间序列。在这种情况下，函数会返回一个较大的值而不是无穷大。

适用于具有相同季节性周期的多输出（多变量）时间序列数据。

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）的目标值。

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。

y_trainpd.Series, pd.DataFrame 或 np.array，形状为 (n_timepoints,) 或 (n_timepoints, n_outputs)，默认 = None

观察到的训练值。

sp整数

训练数据的季节性周期。

horizon_weight形状为 (fh,) 的类数组对象，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’

定义如何聚合多变量（多输出）数据的度量。如果是一个类数组对象，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相同的权重进行平均。

返回:
损失浮点数或浮点数数组

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

参见

median_absolute_scaled_error
mean_squared_scaled_error
median_squared_scaled_error

参考文献

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

Hyndman, R. J. (2006). “对间歇性需求预测准确度量标准的另一种看法”，《Foresight》，第4期。

Makridakis, S., Spiliotis, E. 和 Assimakopoulos, V. (2020) “M4 竞赛：100,000 个时间序列和 61 种预测方法”, 《国际预测杂志》, 第 3 卷。

示例

>>> from sktime.performance_metrics.forecasting import mean_absolute_scaled_error
>>> y_train = np.array([5, 0.5, 4, 6, 3, 5, 2])
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> mean_absolute_scaled_error(y_true, y_pred, y_train=y_train)
0.18333333333333335
>>> y_train = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> mean_absolute_scaled_error(y_true, y_pred, y_train=y_train)
0.18181818181818182
>>> mean_absolute_scaled_error(y_true, y_pred, y_train=y_train,     multioutput='raw_values')
array([0.10526316, 0.28571429])
>>> mean_absolute_scaled_error(y_true, y_pred, y_train=y_train,     multioutput=[0.3, 0.7])
0.21935483870967742
On this page