DalšíDalší průvodce
Huberova ztráta a robustní regrese
Technický
Technický PRŮVODCE
Kvantilová regrese předpovídá zvolený percentil výsledku za podmínek dostupných vstupů.
Poslechněte si tento návodAI-vyprávěný · ~3 min
Je užitečná, když medián nebo odhad horního ocasu lépe odpovídá plánovací otázce než předpověď průměru.
Ordinary least-squares regression targets a conditional mean. Quantile regression targets another point in the conditional outcome distribution, such as the median or the 90th percentile. The inputs might describe a parcel's route and dispatch time; the output could be a delivery-time percentile for parcels with those characteristics. The median is the 50th percentile. For a continuous outcome with a well-estimated conditional 90th percentile, roughly 90% of comparable outcomes should fall at or below that value. This is a statement about a distribution of outcomes. It is not a claim that the predicted value itself is correct with 90% probability. Quantile regression uses an asymmetric penalty called pinball loss. At a high quantile, underprediction costs more than an equally large overprediction. This pushes the fitted estimate upward relative to the median. Choosing a quantile therefore makes the planning objective explicit instead of hiding it inside an average. Separate lower and upper quantile estimates can form a prediction range. Estimates of the 10th and 90th percentiles suggest a nominal central 80% interval. The word nominal matters: a fitted model can be wrong. Evaluate the fraction of held-out outcomes covered by the interval and examine its width. Also inspect relevant groups rather than relying only on an overall average. Scikit-learn's QuantileRegressor provides a linear model with regularization. Quantile methods also exist for other model families. Predictions from separately fitted quantiles can cross, producing an upper estimate below a lower one. Check for that failure explicitly. Quantile regression gives a useful way to describe variation, but neither the training objective nor an attractive interval chart guarantees reliable uncertainty estimates.
Dodávací tým předpovídá medián času doručení a 90. percentil pro balíky se stejnými charakteristikami. Horní percentil může sloužit k informovanějšímu, opatrnějšímu plánování, za předpokladu ověření skutečného pokrytí.
Při hypotetickém výpočtu ztráty pinball na 90. percentilu, pokud je předpovězena hodnota 10 a skutečný výsledek je 12, vznikne ztráta 1,8. Předpověď hodnoty 14 pro tentýž výsledek způsobí ztrátu 0,2.
Servisní pult předpovídá 10. a 90. percentil času vyřešení. Kontroluje, jak často se pozdější výsledky pohybují mezi těmito odhady a zda je interval zbytečně široký.
Analytik používá QuantileRegressor z knihovny scikit-learn pro lineární kvantilový model a poté ho porovnává s vhodným nelineárním modelem pomocí stejných vynechaných dat a kvantilové ztráty.
Rozhraní pro předpovědi by mohla učinit kvantily srozumitelnějšími tím, že vysvětlí, kterou plánovací otázku každý odhad řeší. Tým rezervující kapacitu služeb může mít zájem o horní percentil, zatímco jiný tým může potřebovat typickou délku trvání. Zprávy by měly tyto volby propojovat se zjištěným pokrytím a náklady na předčasný nebo zpožděný výkon. Jak se provozní podmínky mění, týmy budou muset znovu posoudit jak percentilové předpovědi, tak jejich intervaly. Lepší komunikace nejistoty bude vycházet z ukázání předpokladů, vyhodnocovacího období a skutečných výsledků vedle předpovědi, nikoli z zobrazení dalších desetinných míst.
Newsletter zdarma
Tři ověřené příběhy ze světa AI každý všední den ráno, psané srozumitelnou angličtinou. Navždy zdarma, bez reklam.
Jeden e-mail každý všední den. Odhlásit se můžete jedním kliknutím. Vaši adresu nikdy neprodáváme ani nesdílíme.
Otestujte se
Okamžitá zpětná vazba ke každé odpovědi a sdílitelný certifikát s ověřitelným ID po absolvování kurzu.
Podpořte bezplatnou AI vzdělávání. AI Understanding je nezisková organizace 501(c)(3) — žádné reklamy, žádná platba za přístup, nikdy. Darujte
Kvantilová regrese předpovídá zvolený percentil výsledku za podmínek dostupných vstupů. Je užitečná, když medián nebo odhad horního ocasu lépe odpovídá plánovací otázce než předpověď průměru.
Podmíněný kvantil určuje bod v rozdělení výsledků pro dané vstupy; nejde o pravděpodobnost, že je jediné číselné předpovědi přesná.
Reziduum je kladné dvě, takže ztráta je 0,9 krát dvě, tedy 1,8.
Asymetrie ve ztrátě pinball činí podcenění nákladnějším na vysokých úrovních kvantilu.
Pravděpodobnostní hmotnost mezi 10. a 90. percentilem je 80 procentních bodů, pokud jsou tyto kvantily odhadnuty správně.
Učení kvantilů nezaručuje pokrytí; výsledek na vynechaných datech ukazuje nedostatečné pokrytí pro vyhodnocená data.
Učte se dál
Pro toto téma bylo vybráno více průvodců
DalšíDalší průvodce
Huberova ztráta a robustní regrese
Technický