Python sklearn mean_pinball_loss用法及代碼示例

本文簡要介紹python語言中 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')

分位數回歸的彈球損失。

在用戶指南中閱讀更多信息。

參數：

y_true：形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類似數組

基本事實(正確)目標值。

y_pred：形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類似數組

估計的目標值。

sample_weight：形狀類似數組 (n_samples,)，默認=None

樣本權重。

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

當 alpha=0.5 、 alpha=0.95 通過第 95 個百分位數的估計器最小化時，此損失相當於平均絕對誤差。

multioutput：{‘raw_values’, ‘uniform_average’} 或類似數組的形狀 (n_outputs,)，默認='uniform_average'

定義多個輸出值的聚合。類似數組的值定義用於平均誤差的權重。

‘raw_values’：

在多輸出輸入的情況下返回一整套錯誤。

‘uniform_average’：

所有輸出的誤差均采用統一的權重進行平均。

返回：

loss：浮點數或浮點數數組

如果多輸出為‘raw_values’，則分別返回每個輸出的平均絕對誤差。如果 multioutput 是 ‘uniform_average’ 或權重數組，則返回所有輸出錯誤的加權平均值。

pinball loss 輸出是一個非負浮點數。最佳值為 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