def error_compoute(y_pred_upper, y_pred_lower, y_tes, alpha): # Ravel for ease of computation y_pred_upper = y_pred_upper.ravel() y_pred_lower = y_pred_lower.ravel() y_tes = y_tes.ravel() # Find out of bound indices for WS idx_oobl = np.where((y_tes < y_pred_lower))[0] # 低于下限 # idx_oolu = np.where((y_tes >= y_pred_lower & y_tes <= y_pred_upper))[0] # 介于上下限之间 idx_oobu = np.where((y_tes > y_pred_upper))[0] # 高于上限 picp = np.sum((y_tes > y_pred_lower) & (y_tes <= y_pred_upper)) / len(y_tes) * 100 ace = picp - (1 - alpha) * 100 pinaw = np.sum(y_pred_upper - y_pred_lower) / (np.max(y_tes) - np.min(y_tes)) / len(y_tes) ws = np.sum(np.sum(-2 * alpha * (y_pred_upper - y_pred_lower)) + np.sum(-4 * (y_pred_lower[idx_oobl] - y_tes[idx_oobl])) + np.sum(-4 * (y_tes[idx_oobu] - y_pred_upper[idx_oobu]))) / len(y_tes) print("PICP: {:.4f}%".format(picp)) print("ACE: {:.4f}".format(ace)) print("PINAW: {:.4f}".format(pinaw)) print("WS: {:.4f}".format(ws))

这段代码定义了一个名为 `error_compute()` 的函数，用于计算预测结果的误差指标。函数接受以下参数：

- `y_pred_upper`：预测结果的上限值
- `y_pred_lower`：预测结果的下限值
- `y_tes`：真实的目标值
- `alpha`：置信水平

首先，通过 `ravel()` 函数对输入的数组进行展平操作，以便于后续计算。然后，根据真实目标值和上下限值，找到超出边界的索引。其中，`idx_oobl` 存储低于下限的索引，`idx_oobu` 存储高于上限的索引。

接下来，通过计算 `(y_tes > y_pred_lower) & (y_tes <= y_pred_upper)` 来确定落在上下限之间的样本数量，并将其除以样本总数得到覆盖概率（PICP）。ACE 是覆盖概率与置信水平之差。

PINAW 是上下限范围的平均宽度与真实目标值范围的比值。

最后，计算 WS（预测误差分数），其中包括覆盖范围内的损失和超出范围的损失。

函数会打印出 PICP、ACE、PINAW 和 WS 的值。

请注意，函数中有一行被注释掉了，即 `idx_oolu` 的计算，可能是因为没有在后续计算中使用到。

相关问题

def median_absolute_percentage_error(y_true,y_pred):

该函数计算真实值和预测值之间的中位绝对百分比误差（Median Absolute Percentage Error，简称MAPE）。

以下是该函数的Python代码实现：

import numpy as np

def median_absolute_percentage_error(y_true, y_pred):
    """
    Computes median absolute percentage error between two arrays.
    """
    y_true = np.array(y_true)
    y_pred = np.array(y_pred)
    
    return np.median(np.abs((y_true - y_pred) / y_true)) * 100

该函数首先将真实值和预测值转换为numpy数组，然后计算它们之间的绝对误差，并将其除以真实值。最后，它返回绝对误差的中位数乘以100，即中位绝对百分比误差。

mean_squared_error(y_test, y_pred)

mean_squared_error() 是 scikit-learn 库中的一个函数，用于计算均方误差（Mean Squared Error, MSE）。它接受两个参数：y_test 和 y_pred。

y_test 是测试集中的真实目标变量的值，而 y_pred 是模型对测试集进行预测得到的目标变量的值。

mean_squared_error() 函数将根据这两个参数计算出均方误差的值，表示模型预测值和真实值之间的差异程度。均方误差越小，表示模型的预测越准确。

你可以使用 mean_squared_error() 函数来评估模型对测试集的预测性能，例如：

from sklearn.metrics import mean_squared_error

mse = mean_squared_error(y_test, y_pred)
print("Mean Squared Error:", mse)

这段代码将计算出模型的均方误差，并打印输出结果。