平均絕對百分比誤差#

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

平均絕對百分比誤差（MAPE）回歸損失。

請注意，我們未使用常見的「百分比」定義：範圍 [0, 100] 中的百分比會除以 100 轉換為範圍 [0, 1] 中的相對值。因此，200% 的誤差對應於 2 的相對誤差。

請參閱使用者指南以了解更多資訊。

於 0.24 版新增。

參數:
y_true形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類數組

真實（正確）的目標值。

y_pred形狀為 (n_samples,) 或 (n_samples, n_outputs) 的類數組

估計的目標值。

sample_weight形狀為 (n_samples,) 的類數組，預設值為 None

樣本權重。

multioutput{'raw_values', 'uniform_average'} 或類數組

定義多個輸出值的聚合方式。類數組值定義用於平均誤差的權重。如果輸入為列表，則形狀必須為 (n_outputs,)。

「raw_values」

在多輸出輸入的情況下，返回完整的誤差集。

「uniform_average」

所有輸出的誤差均以均勻權重進行平均。

返回:
loss浮點數或浮點數的 ndarray

如果 multioutput 為「raw_values」，則會分別返回每個輸出的平均絕對百分比誤差。如果 multioutput 為「uniform_average」或權重 ndarray，則會返回所有輸出誤差的加權平均值。

MAPE 輸出為非負浮點數。最佳值為 0.0。但請注意，糟糕的預測可能會導致任意大的 MAPE 值，特別是當某些 y_true 值非常接近零時。請注意，當 y_true 為零時，我們會返回一個很大的值，而不是 inf。

範例

>>> 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