中位绝对误差#

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

中位绝对误差 (MdAE)。

MdAE 输出是非负浮点数。最佳值为 0.0。

与MAE类似，MdAE的规模与数据相同。因为MAE取的是预测误差的绝对值而不是平方，所以MAE对大误差的惩罚程度比MdSE或RdMSE要小。

采用绝对误差的中位数而不是均值也使得这一指标对误差异常值更具鲁棒性，因为中位数在存在异常值的情况下往往是更稳健的中心趋势度量。

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，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进行平均。

返回:
损失浮动

MdAE 损失。如果 multioutput 是 ‘raw_values’，那么 MdAE 将分别返回每个输出的结果。如果 multioutput 是 ‘uniform_average’ 或是一个权重 ndarray，那么将返回所有输出误差的加权平均 MdAE。

参见

mean_absolute_error
mean_squared_error
median_squared_error
geometric_mean_absolute_error
geometric_mean_squared_error

参考文献

Hyndman, R. J 和 Koehler, A. B. (2006)。《另一种预测准确度测量方法》，《国际预测杂志》，第22卷，第4期。

示例

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