平均弹子损失#

sklearn.metrics.mean_pinball_loss(y_true, y_pred, *, sample_weight=None, alpha=0.5, multioutput='uniform_average')[源代码]#

用于分位数回归的弹子损失。

在用户指南中阅读更多内容。

参数:
y_true形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

真实（正确）目标值。

y_pred形状为 (n_samples,) 或 (n_samples, n_outputs) 的类数组

估计的目标值。

sample_weight形状为 (n_samples,) 的类数组，默认为 None

样本权重。

alpha浮点数，弹子损失的斜率，默认为 0.5，

当 alpha=0.5 时，此损失等同于平均绝对误差，alpha=0.95 则由第 95 百分位数估计器最小化。

multioutput{'raw_values', 'uniform_average'} 或形状为 (n_outputs,) 的类数组，默认为 'uniform_average'

定义多个输出值的聚合方式。类数组值定义用于平均误差的权重。

‘raw_values’

在多输出输入情况下返回完整的误差集。

‘uniform_average’

所有输出的误差以统一权重平均。

返回:
loss浮点数或浮点数 ndarray

如果 multioutput 为 ‘raw_values’，则为每个输出单独返回平均绝对误差。如果 multioutput 为 ‘uniform_average’ 或一个权重 ndarray，则返回所有输出误差的加权平均值。

弹子损失的输出是一个非负浮点数。最佳值为 0.0。

示例

>>> 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