mean_squared_scaled_error#

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

均方缩放误差 (MSSE) 或均方根缩放误差 (RMSSE)。

如果 square_root 为 False，则计算 MSSE，否则如果 square_root 为 True，则计算 RMSSE。MSSE 和 RMSSE 的输出均为非负浮点数。最佳值为 0.0。

这是 MASE 损失度量的平方变体。与 MASE 和其他缩放性能度量类似，这种无尺度度量可以用于比较单个序列或不同序列上的预测方法。

此指标也适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。

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类数组的形状 (fh,)，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

是否取均方缩放误差的平方根。如果为 True，则返回均方根缩放误差（RMSSE）；如果为 False，则返回均方缩放误差（MSSE）。

返回:
损失浮动

RMSSE 损失。如果 multioutput 是 ‘raw_values’，那么 MSSE 或 RMSSE 将分别返回每个输出的结果。如果 multioutput 是 ‘uniform_average’ 或一个权重 ndarray，那么将返回所有输出误差的加权平均 MSSE 或 RMSSE。

参见

mean_absolute_scaled_error
median_absolute_scaled_error
median_squared_scaled_error

参考文献

M5 竞赛指南。

https://mofc.unic.ac.cy/wp-content/uploads/2020/03/M5-Competitors-Guide-Final-10-March-2020.docx

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

示例

>>> from sktime.performance_metrics.forecasting import mean_squared_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_squared_scaled_error(y_true, y_pred, y_train=y_train, square_root=True)
0.20568833780186058
>>> 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_squared_scaled_error(y_true, y_pred, y_train=y_train,  square_root=True)
0.15679361328058636
>>> mean_squared_scaled_error(y_true, y_pred, y_train=y_train,     multioutput='raw_values', square_root=True)
array([0.11215443, 0.20203051])
>>> mean_squared_scaled_error(y_true, y_pred, y_train=y_train,     multioutput=[0.3, 0.7], square_root=True)
0.17451891814894502
On this page