sklearn.metrics.mean_absolute_percentage_error

sklearn.metrics.mean_absolute_percentage_error()

Pérdida de regresión Error porcentual absoluto medio (mean absolute percentage error regression loss).

Ten en cuenta que no representamos la salida como un porcentaje en el rango [0, 100]. En su lugar, la representamos en el rango [0, 1/eps]. Leer más en el Manual de Usuario.

Nuevo en la versión 0.24.

Parámetros

y_truearray-like de forma (n_samples,) o (n_samples, n_outputs)

Valores objetivo reales (correctos).

y_predarray-like de forma (n_samples,) o (n_samples, n_outputs)

Valores objetivo estimados.

sample_weightarray-like de forma (n_samples,), default=None

Ponderaciones de muestras.

multioutput{“raw_values”, “uniform_average”} o array-like

Define la agregación de múltiples valores de salida. El valor array-like define las ponderaciones utilizadas para promediar los errores. Si la entrada es una lista, entonces la forma debe ser (n_outputs,).

“raw_values” :

Devuelve un conjunto completo de errores en caso de entrada multisalida.

“uniform_average” :

Los errores de todas las salidas se promedian con una ponderación uniforme.

Devuelve

lossflotante o ndarray de flotantes en el rango [0, 1/eps]

Si multioutput es “raw_values”, entonces se devuelve el error porcentual absoluto medio para cada salida por separado. Si multioutput es “uniform_average” o un ndarray de ponderaciones, entonces se devuelve la media ponderada de todos los errores de salida.

La salida MAE es de punto flotante no negativo. El mejor valor es 0.0. Pero ten en cuenta el hecho de que las malas predicciones pueden llevar a valores de MAPE arbitrariamente grandes, especialmente si algunos valores de y_true son muy cercanos a cero. Ten en cuenta que devolvemos un valor grande en lugar de inf cuando y_true es cero.

Ejemplos

>>> 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...