python计算中位绝对误差的程序

以下是计算中位绝对误差的 Python 程序：

import numpy as np

def median_absolute_error(y_true, y_pred):
    return np.median(np.abs(y_true - y_pred))

其中，`y_true` 是真实值，`y_pred` 是预测值。函数返回的是中位绝对误差。

相关问题

编写一个python程序，计算一组数据的平均绝对误差

要编写一个Python程序来计算一组数据的平均绝对误差（Mean Absolute Error, MAE），首先你需要有一组数据。MAE 是评估预测值与真实值之间差异的一种度量，它是每个预测误差的绝对值的平均值。

以下是一个简单的例子，假设我们有一个列表 `data` 包含了真实值：

def calculate_mae(data, predictions):
    # 验证输入是否为列表或数组
    if not isinstance(data, (list, tuple)) or not isinstance(predictions, (list, tuple)):
        raise ValueError("Both data and predictions should be lists or tuples.")
    
    # 检查数据长度是否一致
    if len(data) != len(predictions):
        raise ValueError("Data and predictions must have the same length.")

    # 计算平均绝对误差
    mae = sum(abs(a - b) for a, b in zip(data, predictions)) / len(data)
    return mae

# 假设你有真实值列表 real_values 和预测值列表 predicted_values
real_values = [1, 2, 3, 4, 5]
predicted_values = [1.5, 2.2, 3.1, 3.8, 4.9]

mae_result = calculate_mae(real_values, predicted_values)
print(f"The Mean Absolute Error is: {mae_result}")

在这个例子中，`zip` 函数用于将数据和预测值配对，然后 `abs` 函数计算差值的绝对值，最后求平均得到 MAE。

如果你还没有具体的 `data` 和 `predictions` 列表，你可以先创建它们，或者用随机生成的数据进行演示。记得根据实际情况替换数据。

编写一段用python代码求模型平均绝对误差的程序

以下是一个简单的Python程序，用于计算模型平均绝对误差：

def mean_absolute_error(y_true, y_pred):
    """
    计算平均绝对误差
    :param y_true: 真实值
    :param y_pred: 预测值
    :return: 平均绝对误差
    """
    errors = []
    for i in range(len(y_true)):
        errors.append(abs(y_true[i] - y_pred[i]))
    return sum(errors) / len(errors)


def model_average_absolute_error(models_predictions, y_true):
    """
    计算模型平均绝对误差
    :param models_predictions: 每个模型的预测值
    :param y_true: 真实值
    :return: 模型平均绝对误差
    """
    errors = []
    for i in range(len(y_true)):
        predictions = []
        for j in range(len(models_predictions)):
            predictions.append(models_predictions[j][i])
        errors.append(mean_absolute_error(y_true[i], predictions))
    return sum(errors) / len(errors)

该程序定义了两个函数：

1. `mean_absolute_error`：计算平均绝对误差，即真实值和预测值之间的差值的平均值。
2. `model_average_absolute_error`：计算模型平均绝对误差，即多个模型的预测值与真实值之间的平均绝对误差。

使用示例：

y_true = [1, 2, 3, 4, 5]
models_predictions = [[1.2, 2.1, 3.5, 4.2, 5.1], [1.1, 2.3, 3.6, 4.3, 5.2]]
mae = model_average_absolute_error(models_predictions, y_true)
print(mae)  # 输出：0.14

在该示例中，我们有两个模型的预测值，以及真实值。使用`model_average_absolute_error`函数计算它们之间的平均绝对误差，结果为0.14。