损失函数赋常数加权的分位数回归代码

下面是使用Python实现的分位数回归损失函数赋常数加权的代码：

import numpy as np

def quantile_loss(y_true, y_pred, q):
    """
    y_true: 实际值
    y_pred: 预测值
    q: 分位数
    """
    err = y_true - y_pred
    return np.max([q*err, (q-1)*err], axis=0)

def quantile_loss_weighted(y_true, y_pred, q, c):
    """
    y_true: 实际值
    y_pred: 预测值
    q: 分位数
    c: 常数权重
    """
    loss = quantile_loss(y_true, y_pred, q)
    return np.mean(c * loss)

# 示例
y_true = np.array([1, 2, 3, 4, 5])
y_pred = np.array([0.5, 1.5, 2.5, 3.5, 4.5])
q = 0.5
c = [1, 1, 2, 2, 3]

print("未加权损失函数值：", quantile_loss(y_true, y_pred, q))
print("加权损失函数值：", quantile_loss_weighted(y_true, y_pred, q, c))

其中，`quantile_loss()`函数计算了分位数回归的损失函数，`quantile_loss_weighted()`函数在此基础上加上了常数权重，计算加权损失函数。具体而言，对于每一个样本，将其损失函数乘以对应的常数权重，然后对所有样本的加权损失函数求平均即可。