mean_pinball_loss

sklearn.metrics.mean_pinball_loss(y_true, y_pred, *, sample_weight=None, alpha=0.5, multioutput='uniform_average')[source]

Потери пинболла для регрессии квантилей.

Подробнее см. в Руководстве пользователя.

Параметры:

y_trueмассив-подобный формы (n_samples,) или (n_samples, n_outputs)

Фактические (правильные) целевые значения.

y_predмассив-подобный формы (n_samples,) или (n_samples, n_outputs)

Оцененные целевые значения.

sample_weightмассив-подобный формы (n_samples,), по умолчанию=None

Веса выборок.

alphaчисло, наклон потерь пинболла, по умолчанию=0.5,

Эти потери эквивалентны Средней абсолютной ошибке когда alpha=0.5, alpha=0.95 минимизируются оценщиками 95-го процентиля.

multioutput{‘raw_values’, ‘uniform_average’} или массив-подобный формы (n_outputs,), по умолчанию=’uniform_average’

Определяет агрегирование нескольких выходных значений. Массив-подобное значение определяет веса, используемые для усреднения ошибок.

‘raw_values’ :

Возвращает полный набор ошибок в случае многомерного входного значения.

‘uniform_average’ :

Ошибки всех выходных значений усредняются с равными весами.

Возвращает:

lossчисло или массив чисел

Если multioutput = 'raw_values', то средняя абсолютная ошибка возвращается для каждого выходного значения отдельно. Если multioutput = 'uniform_average' или массив весов, то возвращается взвешенное среднее всех ошибок выходных значений.

Выходное значение потерь пинболла — это неотрицательное число с плавающей точкой. Лучшее значение равно 0,0.

Примеры

>>> from sklearn.metrics import mean_pinball_loss
>>> y_true = [1, 2, 3]
>>> mean_pinball_loss(y_true, [0, 2, 3], alpha=0.1)
np.float64(0.03...)
>>> mean_pinball_loss(y_true, [1, 2, 4], alpha=0.1)
np.float64(0.3...)
>>> mean_pinball_loss(y_true, [0, 2, 3], alpha=0.9)
np.float64(0.3...)
>>> mean_pinball_loss(y_true, [1, 2, 4], alpha=0.9)
np.float64(0.03...)
>>> mean_pinball_loss(y_true, y_true, alpha=0.1)
np.float64(0.0)
>>> mean_pinball_loss(y_true, y_true, alpha=0.9)
np.float64(0.0)

Галерея примеров

Основные моменты выпуска scikit-learn 1.0

Возможности в деревьях градиентного бустинга с гистограммами

Интервалы прогнозирования для регрессии градиентного бустинга

Отложенные функции для прогнозирования временных рядов