mean_pinball_loss

sklearn.metrics.mean_pinball_loss(y_true, y_pred, *, sample_weight=None, alpha=0.5, multioutput='uniform_average')

分位数回归的弹球损失。

阅读更多的 User Guide .

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。

alpha浮动，弹球损失的斜坡，默认=0.5，

这个损失相当于 平均绝对误差 当 alpha=0.5 , alpha=0.95 由第95百分位的估计者最小化。

multioutput' raw_values '、' unique_average '}或类似数组的形状 （n_outputs，），默认=' unique_average '

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。

“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。

The pinball loss output is a non-negative floating point. The best value is 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)
np.float64(0.03...)
>>> mean_pinball_loss(y_true, [1, 2, 4], alpha=0.1)
np.float64(0.3...)
>>> mean_pinball_loss(y_true, [0, 2, 3], alpha=0.9)
np.float64(0.3...)
>>> mean_pinball_loss(y_true, [1, 2, 4], alpha=0.9)
np.float64(0.03...)
>>> mean_pinball_loss(y_true, y_true, alpha=0.1)
np.float64(0.0)
>>> mean_pinball_loss(y_true, y_true, alpha=0.9)
np.float64(0.0)