sklearn 加权平均绝对百分比误差如何实现

在scikit-learn库中，WeightedMeanAbsolutePercentageError (WMAPE)是一种用于评估预测值和真实值之间差距的指标，尤其适合于金融、经济等领域的回归问题，它考虑了每个观测值的重要性。WMAPE通过加权平均的方式计算绝对百分比误差，并对每个样本赋予相应的权重。

实现步骤如下：

1. 首先，导入所需的模块：

from sklearn.metrics import make_scorer, mean_absolute_percentage_error

2. 定义权重（如果有的话），可以是一个列表，其长度与预测值和实际值的数组长度相等：

weights = [weight_value_1, weight_value_2, ...]

3. 创建一个自定义评分函数，将WMAPE与给定权重结合：

def weighted_mape(y_true, y_pred, sample_weight=None):
    if sample_weight is None:
        return mean_absolute_percentage_error(y_true, y_pred)
    else:
        return mean_absolute_percentage_error(y_true, y_pred, sample_weight=sample_weight)

wmape_scorer = make_scorer(weighted_mape, greater_is_better=False)

`greater_is_better=False`表示我们通常希望这个分数越低越好。

4. 使用这个评分函数评估模型性能：

model.fit(X_train, y_train)
y_pred = model.predict(X_test)
score = wmape_scorer(y_test, y_pred, sample_weight=weights)