R yardstick mpe 平均百分比誤差

計算平均百分比誤差。該指標采用相對單位。它可以用作 estimate 偏差的度量。

請注意，如果任何 truth 值為 0，則為 mpe() 返回值 -Inf ( estimate > 0 )、Inf ( estimate < 0 ) 或 NaN ( estimate == 0 ) .

用法

mpe(data, ...)

# S3 method for data.frame
mpe(data, truth, estimate, na_rm = TRUE, case_weights = NULL, ...)

mpe_vec(truth, estimate, 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。
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 mpe_vec() ，單個 numeric 值(或 NA )。

也可以看看

其他數字指標：ccc() , huber_loss_pseudo() , huber_loss() , iic() , mae() , mape() , mase() , 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() , mase() , msd() , poisson_log_loss() , rmse() , smape()

作者

托馬斯·比爾漢斯

例子

# `solubility_test$solubility` has zero values with corresponding
# `$prediction` values that are negative. By definition, this causes `Inf`
# to be returned from `mpe()`.
solubility_test[solubility_test$solubility == 0, ]
#>     solubility prediction
#> 17           0 -0.1532030
#> 220          0 -0.3876578

mpe(solubility_test, solubility, prediction)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 mpe     standard         Inf

# We'll remove the zero values for demonstration
solubility_test <- solubility_test[solubility_test$solubility != 0, ]

# Supply truth and predictions as bare column names
mpe(solubility_test, solubility, prediction)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 mpe     standard        16.1

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) %>%
  mpe(solubility, prediction)

metric_results
#> # A tibble: 10 × 4
#>    resample .metric .estimator .estimate
#>    <chr>    <chr>   <chr>          <dbl>
#>  1 1        mpe     standard     -56.2  
#>  2 10       mpe     standard      50.4  
#>  3 2        mpe     standard     -27.9  
#>  4 3        mpe     standard       0.470
#>  5 4        mpe     standard      -0.836
#>  6 5        mpe     standard     -35.3  
#>  7 6        mpe     standard       7.51 
#>  8 7        mpe     standard     -34.5  
#>  9 8        mpe     standard       7.87 
#> 10 9        mpe     standard      14.7  

# Resampled mean estimate
metric_results %>%
  summarise(avg_estimate = mean(.estimate))
#> # A tibble: 1 × 1
#>   avg_estimate
#>          <dbl>
#> 1        -7.38

源代碼：R/num-mpe.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 percentage 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。