R yardstick msd 平均符號偏差

平均有符號偏差(也稱為平均有符號差或平均有符號誤差)計算 truth 和 estimate 之間的平均差。相關指標是平均絕對誤差 (mae())。

用法

msd(data, ...)

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

msd_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 msd_vec() ，單個 numeric 值(或 NA )。

細節

平均符號偏差很少使用，因為正誤差和負誤差相互抵消。例如， msd_vec(c(100, -100), c(0, 0)) 會返回 0 的看似 "perfect" 值，即使 estimate 與 truth 截然不同。 mae() 嘗試通過在計算平均值之前取差異的絕對值來解決此問題。

該指標計算為 mean(truth - estimate) ，遵循 "error" 計算為 observed - predicted 的約定。如果您希望該指標計算為 mean(estimate - truth) ，請反轉結果的符號。

也可以看看

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

作者

托馬斯·比爾漢斯

例子

# Supply truth and predictions as bare column names
msd(solubility_test, solubility, prediction)
#> # A tibble: 1 × 3
#>   .metric .estimator .estimate
#>   <chr>   <chr>          <dbl>
#> 1 msd     standard     -0.0143

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) %>%
  msd(solubility, prediction)

metric_results
#> # A tibble: 10 × 4
#>    resample .metric .estimator .estimate
#>    <chr>    <chr>   <chr>          <dbl>
#>  1 1        msd     standard   -0.0119  
#>  2 10       msd     standard   -0.0424  
#>  3 2        msd     standard    0.0111  
#>  4 3        msd     standard   -0.0906  
#>  5 4        msd     standard   -0.0859  
#>  6 5        msd     standard   -0.0301  
#>  7 6        msd     standard   -0.0132  
#>  8 7        msd     standard   -0.00640 
#>  9 8        msd     standard   -0.000697
#> 10 9        msd     standard   -0.0399  

# Resampled mean estimate
metric_results %>%
  summarise(avg_estimate = mean(.estimate))
#> # A tibble: 1 × 1
#>   avg_estimate
#>          <dbl>
#> 1      -0.0310

源代碼：R/num-msd.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 signed deviation。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。