咱们先明确一下GRMSE的核心逻辑：它是专门用来衡量相对误差的指标，比起普通RMSE更适合关注比例差异的场景。计算思路是把预测值和真实值的比值转化为对数空间的绝对误差，算出均方根后再还原回原空间。公式可以写成这样：

GRMSE = exp( sqrt( (1/n) * Σ( ln(fᵢ) - ln(yᵢ) )² ) )

其中n是样本数量，fᵢ是预测值，yᵢ是真实值。

接下来咱们一步步实现可调用的grmse(ft, yt)函数，我会提供两种方案：纯Python实现（不依赖第三方库，适合理解底层逻辑）和numpy实现（更高效，适合处理大数据集）。

方案1：纯Python实现（无第三方依赖） #

这个版本完全用Python标准库实现，适合想搞清楚每一步细节的同学：

import math

def grmse(ft, yt):
    # 第一步：校验输入向量长度一致
    if len(ft) != len(yt):
        raise ValueError("预测向量和真实向量的长度必须完全一致")
    
    n = len(ft)
    squared_log_diff_total = 0.0
    
    # 遍历每个元素计算对数差的平方
    for f_val, y_val in zip(ft, yt):
        # 必须确保所有值都是正数，不然对数会报错
        if f_val <= 0 or y_val <= 0:
            raise ValueError("所有预测值和真实值都得是正数，因为要计算自然对数哦")
        # 计算单个样本的对数差并平方
        log_diff = math.log(f_val) - math.log(y_val)
        squared_log_diff_total += log_diff ** 2
    
    # 计算均值的平方根，再取指数得到最终结果
    mean_squared_log = squared_log_diff_total / n
    rmse_log_space = math.sqrt(mean_squared_log)
    grmse_result = math.exp(rmse_log_space)
    
    return grmse_result

方案2：Numpy实现（高效简洁） #

如果你的数据量比较大，用numpy会快很多，代码也更简洁：

import numpy as np

def grmse(ft, yt):
    # 把输入转成numpy浮点数组
    f_array = np.array(ft, dtype=np.float64)
    y_array = np.array(yt, dtype=np.float64)
    
    # 校验输入形状一致
    if f_array.shape != y_array.shape:
        raise ValueError("预测向量和真实向量的长度必须完全一致")
    
    # 校验所有元素为正数
    if np.any(f_array <= 0) or np.any(y_array <= 0):
        raise ValueError("所有预测值和真实值都得是正数，因为要计算自然对数哦")
    
    # 按公式一步到位计算
    log_diffs = np.log(f_array) - np.log(y_array)
    mean_squared_log = np.mean(log_diffs ** 2)
    rmse_log_space = np.sqrt(mean_squared_log)
    grmse_result = np.exp(rmse_log_space)
    
    return grmse_result

测试一下给定的向量 #

用你提供的测试数据跑一下看看：

# 测试数据
ft = (2, 3, 4.5, 6, 4, 3, 2)
yt = (2.1, 4.2, 4.5, 7, 3, 2, 2)

# 调用函数
print(grmse(ft, yt))

运行后会得到大约1.17的结果，这个值说明整体预测值相对于真实值有一定程度的高估（因为GRMSE>1）。

额外说明 #

• 为什么要校验正数？因为自然对数ln(x)在x≤0时是无意义的，提前校验能避免运行时抛出莫名其妙的错误。
• GRMSE的解读：如果结果等于1，说明预测和真实值的几何平均完全匹配；大于1表示整体预测偏高，小于1表示整体预测偏低。

内容的提问来源于stack exchange，提问作者PeCaDe