mean_pinball_loss

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

Пинбольная функция потерь для квантильной регрессии.

Подробнее см. в руководстве пользователя.

Параметры:

y_truearray-like of shape (n_samples,) or (n_samples, n_outputs)

Истинные (корректные) целевые значения.

y_predarray-like of shape (n_samples,) or (n_samples, n_outputs)

Оценённые целевые значения.

sample_weightarray-like of shape (n_samples,), default=None

Веса объектов.

alphafloat, slope of the pinball loss, default=0.5,

Эта функция потерь эквивалентна средней абсолютной ошибке, когда alpha=0.5, alpha=0.95 минимизируется оценивателями 95-го процентиля.

multioutput{‘raw_values’, ‘uniform_average’} or array-like of shape (n_outputs,), default=’uniform_average’

Определяет способ агрегирования значений нескольких выходов. Значение типа array-like задаёт веса, используемые для усреднения ошибок.

‘raw_values’ :

В случае входных данных с несколькими выходами возвращает полный набор ошибок.

‘uniform_average’ :

Ошибки всех выходов усредняются с равными весами.

Возвращает:

lossfloat or ndarray of floats

Если multioutput имеет значение ‘raw_values’, для каждого выхода отдельно возвращается средняя абсолютная ошибка. Если multioutput имеет значение ‘uniform_average’ или является ndarray весов, возвращается средневзвешенное значение ошибок всех выходов.

Результат вычисления пинбольной функции потерь — неотрицательное число с плавающей точкой. Наилучшее значение — 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)
0.03...
>>> mean_pinball_loss(y_true, [1, 2, 4], alpha=0.1)
0.3...
>>> mean_pinball_loss(y_true, [0, 2, 3], alpha=0.9)
0.3...
>>> mean_pinball_loss(y_true, [1, 2, 4], alpha=0.9)
0.03...
>>> mean_pinball_loss(y_true, y_true, alpha=0.1)
0.0
>>> mean_pinball_loss(y_true, y_true, alpha=0.9)
0.0

Примеры в галерее

Лаговые признаки для прогнозирования временных рядов

Интервалы прогнозирования для регрессии с градиентным бустингом

Возможности деревьев с гистограммным градиентным бустингом

Основные нововведения scikit-learn 1.0