median_squared_scaled_error#

median_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]#

中位数平方缩放误差 (MdSSE) 或根中位数平方缩放误差 (RMdSSE)。

如果 square_root 为 False，则计算 MdSSE；如果 square_root 为 True，则计算 RMdSSE。MdSSE 和 RMdSSE 的输出均为非负浮点数。最佳值为 0.0。

这是 MdASE 损失度量的平方变体。与 MASE 和其他无尺度性能度量类似，这种无尺度度量可以用于在单一系列或系列之间比较预测方法。

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 的形状为 (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。

返回:
损失浮动

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

参见

mean_absolute_scaled_error
median_absolute_scaled_error
mean_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)。《另一种看待预测准确度度量的方法》，《国际预测杂志》，第22卷，第4期。

示例

>>> from sktime.performance_metrics.forecasting import median_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])
>>> median_squared_scaled_error(y_true, y_pred, y_train=y_train, square_root=True)
0.16666666666666666
>>> 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]])
>>> median_squared_scaled_error(y_true, y_pred, y_train=y_train, square_root=True)
0.1472819539849714
>>> median_squared_scaled_error(y_true, y_pred, y_train=y_train,     multioutput='raw_values', square_root=True)
array([0.08687445, 0.20203051])
>>> median_squared_scaled_error(y_true, y_pred, y_train=y_train,     multioutput=[0.3, 0.7], square_root=True)
0.16914781383660782
On this page