mean_pinball_loss#

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

Потеря пинбола для квантильной регрессии.

Подробнее в Руководство пользователя.

Параметры:
y_truearray-like формы (n_samples,) или (n_samples, n_outputs)

Истинные (правильные) целевые значения.

y_predarray-like формы (n_samples,) или (n_samples, n_outputs)

Оцененные целевые значения.

sample_weightarray-like формы (n_samples,), по умолчанию=None

Веса выборок.

alphafloat, наклон функции потерь пинболла, по умолчанию=0.5,

Эта функция потерь эквивалентна Средняя абсолютная ошибка когда alpha=0.5, alpha=0.95 минимизируется оценщиками 95-го процентиля.

multioutput{'raw_values', 'uniform_average'} или array-like формы (n_outputs,), по умолчанию='uniform_average'

Определяет агрегирование нескольких выходных значений. Массивоподобное значение определяет веса, используемые для усреднения ошибок.

'raw_values' :

Возвращает полный набор ошибок в случае многоцелевого ввода.

'uniform_average' :

Ошибки всех выходов усредняются с равным весом.

Возвращает:
потеряfloat или ndarray из floats

Если multioutput имеет значение 'raw_values', то средняя абсолютная ошибка возвращается для каждого выхода отдельно. Если multioutput имеет значение 'uniform_average' или является ndarray весов, то возвращается взвешенное среднее всех ошибок выходов.

Выходная функция потерь пинболла является неотрицательным числом с плавающей запятой. Лучшее 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
На этой странице