| """ |
| Model evaluation |
| - RMSE, R2, MAE |
| """ |
|
|
| from sklearn.metrics import mean_squared_error, r2_score, mean_absolute_percentage_error, mean_absolute_error |
| import numpy as np |
| import pandas as pd |
|
|
| def evaluate(y_true, y_pred): |
| rmse = np.sqrt(mean_squared_error(y_true, y_pred)) |
| mae = mean_absolute_error(y_true, y_pred) |
| r2 = r2_score(y_true, y_pred) |
|
|
| y_true_safe = np.where(y_true == 0, np.finfo(float).eps, y_true) |
| mape = np.mean(np.abs((y_true - y_pred) / y_true_safe)) * 100 |
|
|
| return { |
| 'RMSE': rmse, |
| 'MAE': mae, |
| 'R2': r2, |
| 'MAPE': mape |
| } |
|
|
| def evaluate_multi_output(y_true, y_pred): |
| """ |
| Đánh giá mô hình đa đầu ra bằng cách tính trung bình các chỉ số |
| và báo cáo chi tiết cho từng đầu ra (từng ngày dự báo). |
| |
| Args: |
| y_true (pd.DataFrame or np.array): Giá trị thực tế (n_samples, n_outputs). |
| y_pred (pd.DataFrame or np.array): Giá trị dự báo (n_samples, n_outputs). |
| |
| Returns: |
| dict: Một dictionary chứa các chỉ số trung bình và chi tiết cho từng ngày. |
| """ |
| |
| if isinstance(y_true, pd.DataFrame): |
| y_true = y_true.values |
| if isinstance(y_pred, pd.DataFrame): |
| y_pred = y_pred.values |
|
|
| n_outputs = y_true.shape[1] |
| results = { |
| "average": {}, |
| "per_day": {} |
| } |
|
|
| |
| rmse_scores, mae_scores, r2_scores, mape_scores = [], [], [], [] |
| for i in range(n_outputs): |
| day = i + 1 |
| true_day_i = y_true[:, i] |
| pred_day_i = y_pred[:, i] |
|
|
| |
| rmse = np.sqrt(mean_squared_error(true_day_i, pred_day_i)) |
| mae = mean_absolute_error(true_day_i, pred_day_i) |
| r2 = r2_score(true_day_i, pred_day_i) |
| |
|
|
| |
| rmse_scores.append(rmse) |
| mae_scores.append(mae) |
| r2_scores.append(r2) |
| |
|
|
| |
| results["per_day"][f"RMSE_day_{day}"] = rmse |
| results["per_day"][f"MAE_day_{day}"] = mae |
| results["per_day"][f"R2_day_{day}"] = r2 |
| |
|
|
| |
| results["average"]["RMSE"] = np.mean(rmse_scores) |
| results["average"]["MAE"] = np.mean(mae_scores) |
| results["average"]["R2"] = np.mean(r2_scores) |
| |
|
|
| return results |
|
|
|
|
|
|
|
|
|
|
