我正在尝试计算均方根对数误差，我发现的选项很少，一种是使用 sklearn 度量：mean_squared_log_error并取其平方根
np.sqrt(mean_squared_log_error( target, predicted_y ))
但是我收到以下错误：
当目标包含负值时，不能使用均方对数误差
我还尝试了Kaggle帖子中的解决方案：
import math
#A function to calculate Root Mean Squared Logarithmic Error (RMSLE)
def rmsle(y, y_pred):
assert len(y) == len(y_pred)
terms_to_sum = [(math.log(y_pred[i] + 1) - math.log(y[i] + 1)) ** 2.0 for i,pred in enumerate(y_pred)]
return (sum(terms_to_sum) * (1.0/len(y))) ** 0.5
同样的问题，这次我收到域错误。
在同一篇帖子中，他们就负面日志问题发表了以下评论：
你是对的。您必须转换y_pred和y_test，以确保它们不带有负值。
就我而言，在预测天气温度(最初以摄氏度为单位(时，解决方案是在计算 RMSLE 之前将它们转换为开尔文度：
rmsle(data.temp_pred + 273.15, data.temp_real + 273.15)
是否有任何标准形式的使用此指标允许使用负值？
将两个数组规范化为 0 到 1 的范围
如果您使用的是scikit，则可以使用sklearn.preprocessing.minmax_scale：
minmax_scale(arr, feature_range=(0,1))
在执行此操作之前，请保存 arr 的最大值和最小值。您可以取回实际值。
例如：
normalized = (value - arr.min()) / (arr.max() - arr.min()) # Illustration
没有允许负值的标准形式，因为负数的对数是未定义的。您要么必须像温度示例一样转换数据(将最低值设置为 0 并缩放(，要么考虑为什么要使用 RMSLE 以及它是否真的是正确的指标。
我有一个类似的问题，其中一个预测是负面的，尽管所有的训练目标值都是正的。我将其缩小到异常值，并使用sklearn的RobustScaler解决了它。它不仅可以扩展数据，还可以处理异常值
使用对异常值具有鲁棒性的统计数据缩放要素。
特征缩放在这里应该是一个不错的选择，因此最小值为>= 0。
使用最小-最大缩放器在 (0， x] 之间缩放值，其中 x 是您选择的任何值。然后使用它以获得更好的结果。