crps#

pymc_marketing.metrics.crps(y_true, y_pred, sample_weight=None)[fuente]#

Calcule el promedio (posiblemente ponderado) de la puntuación de probabilidad continua clasificada.

Parámetros:

y_truenumpy:similar_a_array: Los valores de la verdad fundamental.
y_prednumpy:similar_a_array: Los valores predichos. Se espera que y_pred tenga una dimensión de muestra adicional a la izquierda.
sample_weight : array_like, opcionalnumpy:similar a un array, opcional: Los pesos de la muestra.

Devoluciones:

float: El valor de CRPS como un promedio (posiblemente ponderado) de los valores de CRPS por observación.

Referencias

Esta implementación es una adaptación mínima de la que se encuentra en el proyecto Pyro: https://docs.pyro.ai/en/dev/_modules/pyro/ops/stats.html#crps_empirical
Para una introducción al CRPS, consulte https://towardsdatascience.com/crps-a-scoring-function-for-bayesian-machine-learning-models-dd55a7a337a8

Ejemplos

import numpy as np

from pymc_marketing.metrics import crps

# y_true shape is (3,)
y_true = np.array([1, 1, 1])
# y_pred shape is (10, 3). The extra dimension on the left is the number of samples.
y_pred = np.repeat(np.array([[0, 1, 0]]), 10, axis=0)

# The result is a scalar.
crps(y_true, y_pred)

>> 0.666