Python sklearn mean_pinball_loss用法及代码示例

本文简要介绍python语言中 sklearn.metrics.mean_pinball_loss 的用法。

用法:

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

分位数回归的弹球损失。

在用户指南中阅读更多信息。

参数：

y_true：形状为 (n_samples,) 或 (n_samples, n_outputs) 的类似数组

基本事实(正确)目标值。

y_pred：形状为 (n_samples,) 或 (n_samples, n_outputs) 的类似数组

估计的目标值。

sample_weight：形状类似数组 (n_samples,)，默认=None

样本权重。

alpha: float, slope of the pinball loss, default=0.5,：

当 alpha=0.5 、 alpha=0.95 通过第 95 个百分位数的估计器最小化时，此损失相当于平均绝对误差。

multioutput：{‘raw_values’, ‘uniform_average’} 或类似数组的形状 (n_outputs,)，默认='uniform_average'

定义多个输出值的聚合。类似数组的值定义用于平均误差的权重。

‘raw_values’：

在多输出输入的情况下返回一整套错误。

‘uniform_average’：

所有输出的误差均采用统一的权重进行平均。

返回：

loss：浮点数或浮点数数组

如果多输出为‘raw_values’，则分别返回每个输出的平均绝对误差。如果 multioutput 是 ‘uniform_average’ 或权重数组，则返回所有输出错误的加权平均值。

pinball loss 输出是一个非负浮点数。最佳值为 0.0。

例子：

>>> 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