Ctrl+K

mean_absolute_percentage_error#

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

平均绝对百分比误差（MAPE）回归损失。

请注意，我们不使用常见的“百分比”定义：范围内的百分比 [0, 100] 转换为范围内的相对值 [0, 1] 除以100。因此，200%的误差对应于相对误差2。

阅读更多的 User Guide .

Added in version 0.24.

参数:
y_true形状的类似阵列（n_samples，）或（n_samples，n_outputs）

地面真相（正确）目标值。

y_pred形状的类似阵列（n_samples，）或（n_samples，n_outputs）

估计目标值。

sample_weight形状类似数组（n_samples，），默认=无

样本重量。

multioutput{'raw_values'，'uniform_average'}或类似数组

定义多个输出值的聚合。类似数组的值定义用于平均误差的权重。如果输入是列表，那么形状必须是（n_outputs，）。

“raw_values”：

如果是多输出输入，返回完整的错误集。

'uniform_average'：

所有输出的误差以统一的权重进行平均。

返回:
loss浮动或浮动数组

如果多输出为“raw_values”，则分别返回每个输出的平均绝对百分比误差。如果多输出是“unique_average”或ndweight数组，则返回所有输出错误的加权平均值。

MAPE输出为非负浮点。最佳值是0.0。但请注意，错误的预测可能会导致任意大的MAPE值，特别是在某些情况下， y_true 值非常接近于零。请注意，我们返回一个大值，而不是 inf 当 y_true 是零。

示例

>>> from sklearn.metrics import mean_absolute_percentage_error
>>> y_true = [3, -0.5, 2, 7]
>>> y_pred = [2.5, 0.0, 2, 8]
>>> mean_absolute_percentage_error(y_true, y_pred)
0.3273...
>>> y_true = [[0.5, 1], [-1, 1], [7, -6]]
>>> y_pred = [[0, 2], [-1, 2], [8, -5]]
>>> mean_absolute_percentage_error(y_true, y_pred)
0.5515...
>>> mean_absolute_percentage_error(y_true, y_pred, multioutput=[0.3, 0.7])
0.6198...
>>> # the value when some element of the y_true is zero is arbitrarily high because
>>> # of the division by epsilon
>>> y_true = [1., 0., 2.4, 7.]
>>> y_pred = [1.2, 0.1, 2.4, 8.]
>>> mean_absolute_percentage_error(y_true, y_pred)
112589990684262.48
On this page