相对损失#

relative_loss(y_true, y_pred, relative_loss_function=<function mean_absolute_error>, horizon_weight=None, multioutput='uniform_average', **kwargs)[源代码][源代码]#

相对于基准预测的给定指标的预测损失。

将预测性能指标应用于一组预测和基准预测，并报告从预测到基准预测的指标比率。相对损失输出为非负浮点数。最佳值为0.0。

如果给定损失函数的基准预测的分数为零，则返回一个较大的值。

此函数允许计算无标度相对损失指标。与平均绝对标度误差（MASE）不同，该函数计算相对于基准方法上定义的损失函数的无标度指标，而不是样本内训练数据。与MASE类似，使用此函数创建的指标可用于比较单一系列上的预测方法，也可用于比较不同系列之间的预测准确性。

这在无标度比较有利时很有用，但用于生成某些（或全部）预测的训练数据未知，例如在比较第三方预测或专业预测者调查的损失时。

目前仅支持不需要 y_train 的指标。

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_pred_benchmarkpd.Series, pd.DataFrame 或 np.array，形状为 (fh,) 或 (fh, n_outputs)，其中 fh 是预测范围，默认=None

来自基准方法的预测值。

相对损失函数function, default=mean_absolute_error

用于计算相对损失的函数。该函数必须符合 sktime 预测性能指标的 API 接口。不支持需要 y_train 或 y_pred_benchmark 的指标。

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，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:
相对损失浮动

对于给定的损失度量，一种方法相对于基准方法的损失。如果 multioutput 是 ‘raw_values’，则分别返回每个输出的相对损失。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相对损失。

参考文献

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

示例

>>> import numpy as np
>>> from sktime.performance_metrics.forecasting import relative_loss
>>> from sktime.performance_metrics.forecasting import mean_squared_error
>>> y_true = np.array([3, -0.5, 2, 7, 2])
>>> y_pred = np.array([2.5, 0.0, 2, 8, 1.25])
>>> y_pred_benchmark = y_pred*1.1
>>> relative_loss(y_true, y_pred, y_pred_benchmark=y_pred_benchmark)
0.8148148148148147
>>> relative_loss(y_true, y_pred, y_pred_benchmark=y_pred_benchmark,     relative_loss_function=mean_squared_error)
0.5178095088655261
>>> y_true = np.array([[0.5, 1], [-1, 1], [7, -6]])
>>> y_pred = np.array([[0, 2], [-1, 2], [8, -5]])
>>> y_pred_benchmark = y_pred*1.1
>>> relative_loss(y_true, y_pred, y_pred_benchmark=y_pred_benchmark)
0.8490566037735847
>>> relative_loss(y_true, y_pred, y_pred_benchmark=y_pred_benchmark,     multioutput='raw_values')
array([0.625     , 1.03448276])
>>> relative_loss(y_true, y_pred, y_pred_benchmark=y_pred_benchmark,     multioutput=[0.3, 0.7])
0.927272727272727
On this page