R yardstick mase 平均絕對比例誤差

計算平均絕對比例誤差。該指標與尺度無關且對稱。它通常用於比較時間序列設置中的預測誤差。由於該指標的時間序列性質，有必要按時間升序對觀測值進行排序。

用法

mase(data, ...)

# S3 method for data.frame
mase(
  data,
  truth,
  estimate,
  m = 1L,
  mae_train = NULL,
  na_rm = TRUE,
  case_weights = NULL,
  ...
)

mase_vec(
  truth,
  estimate,
  m = 1L,
  mae_train = NULL,
  na_rm = TRUE,
  case_weights = NULL,
  ...
)

參數

data: data.frame 包含由 truth 和 estimate 參數指定的列。
...: 目前未使用。
truth: 真實結果的列標識符(即 numeric )。這應該是一個不帶引號的列名，盡管此參數是通過表達式傳遞的並且支持quasiquotation(您可以不帶引號的列名)。對於 _vec() 函數，一個 numeric 向量。
estimate: 預測結果的列標識符(也是 numeric )。與 truth 一樣，可以通過不同的方式指定，但主要方法是使用不帶引號的變量名稱。對於 _vec() 函數，一個 numeric 向量。
m: 用於計算 in-sample 季節性樸素誤差的滯後數的整數值。默認值用於非季節性時間序列。如果每個觀測值均處於每日水平並且數據顯示每周季節性，則 m = 7L 將是 7 天季節性樸素計算的合理選擇。
mae_train: 允許用戶提供 in-sample 季節性樸素平均絕對誤差的數值。如果未提供此值，則將從 truth 計算並使用 out-of-sample 季節性樸素平均絕對誤差。
na_rm: logical 值，指示在計算繼續之前是否應剝離 NA 值。
case_weights: 案例權重的可選列標識符。這應該是一個不帶引號的列名稱，其計算結果為 data 中的數字列。對於 _vec() 函數，一個數值向量。

值

tibble 包含列 .metric 、 .estimator 和 .estimate 以及 1 行值。

對於分組 DataFrame ，返回的行數將與組數相同。

對於 mase_vec() ，單個 numeric 值(或 NA )。

細節

mase() 與大多數數字指標不同。 mase() 的原始實現要求使用 in-sample 樸素平均絕對誤差來計算縮放誤差。它使用此錯誤而不是 out-of-sample 錯誤，因為在預測非常短的時間範圍(即樣本外大小僅為 1 或 2)時，有可能無法計算 out-of-sample 錯誤。但是，yardstick 隻知道out-of-sample、truth 和estimate 值。因此，默認情況下在計算中使用out-of-sample 錯誤。如果需要並已知 in-sample 樸素平均絕對誤差，則可以在 mae_train 參數中傳遞它，並使用它來代替。如果 in-sample 數據可用，則可以使用 mae(data, truth, lagged_truth) 輕鬆計算樸素平均絕對誤差。

參考

羅布·J·海德曼 (2006)。再看看FORECAST-ACCURACY 間歇性需求指標。遠見, 4, 46.

也可以看看

其他數字指標：ccc() , huber_loss_pseudo() , huber_loss() , iic() , mae() , mape() , mpe() , msd() , poisson_log_loss() , rmse() , rpd() , rpiq() , rsq_trad() , rsq() , smape()

其他準確度指標：ccc() , huber_loss_pseudo() , huber_loss() , iic() , mae() , mape() , mpe() , msd() , poisson_log_loss() , rmse() , smape()

作者

亞曆克斯·哈勒姆

例子

# Supply truth and predictions as bare column names
mase(solubility_test, solubility, prediction)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 mase    standard        3.56

library(dplyr)

set.seed(1234)
size <- 100
times <- 10

# create 10 resamples
solubility_resampled <- bind_rows(
  replicate(
    n = times,
    expr = sample_n(solubility_test, size, replace = TRUE),
    simplify = FALSE
  ),
  .id = "resample"
)

# Compute the metric by group
metric_results <- solubility_resampled %>%
  group_by(resample) %>%
  mase(solubility, prediction)

metric_results
#> # A tibble: 10 × 4
#>    resample .metric .estimator .estimate
#>    <chr>    <chr>   <chr>          <dbl>
#>  1 1        mase    standard       0.256
#>  2 10       mase    standard       0.240
#>  3 2        mase    standard       0.238
#>  4 3        mase    standard       0.219
#>  5 4        mase    standard       0.229
#>  6 5        mase    standard       0.261
#>  7 6        mase    standard       0.217
#>  8 7        mase    standard       0.267
#>  9 8        mase    standard       0.216
#> 10 9        mase    standard       0.251

# Resampled mean estimate
metric_results %>%
  summarise(avg_estimate = mean(.estimate))
#> # A tibble: 1 × 1
#>   avg_estimate
#>          <dbl>
#> 1        0.240

源代碼：R/num-mase.R

相關用法

注：本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 Mean absolute scaled error。非經特殊聲明，原始代碼版權歸原作者所有，本譯文未經允許或授權，請勿轉載或複製。