用于计算加权均方误差的 numpy 加权平均值答案

【问题标题】：numpy weighted average for calculating weighted mean squared error用于计算加权均方误差的 numpy 加权平均值
【发布时间】：2018-03-10 17:08:03
【问题描述】：

我正在尝试为我的回归问题计算加权均方误差。我有 y_true、y_predicted 和 y_wts numpy 数组。每个阵列的形状为 (N,1)，其中 N 是样本数。我不明白为什么以下两段代码给出了不同的答案：

第一个代码段

import numpy as np
sq_error = (y_true-y_predicted)**2
wtd_sq_error = np.multiply(sq_error,y_wts)
wtd_mse = np.mean(wtd_sq_error)

第二个代码段取自 sklearn 指标mean_squared_error function

wtd_mse_sklearn = np.average((y_true - y_predicted)**2, axis =0,
                               weights=y_wts)

由于 tensorflow 加权均方误差和 sklearn 指标均方误差（指定了权重列）之间的不匹配，我来进行测试。请注意，当我不指定权重列时，不会发生这种不匹配。

感谢您的帮助！

【问题讨论】：

【解决方案1】：

因为你忘记了体重：

np.mean = sum(error_i * weight_i ∀ i) / len(error_i ∀ i)

同时

np.average = sum(error_i * weight_i ∀ i) / sum(weight_i ∀ i)

【讨论】：

【解决方案2】：

您的第一个代码段中的加权平均值公式错误，应该是：

wtd_mse = np.sum(sq_error * y_wts) / np.sum(y_wts)

代替：

wtd_mse = np.mean(wtd_sq_error)

【讨论】：