À suivreGuide suivant
Perte de Huber et régression robuste
Technique
GUIDE Technique
Régression quantile
La régression quantile prédit un centile choisi d'un résultat en fonction des entrées disponibles.
Sur cette page3 minutes de lecture
Aperçu
Ceci est utile lorsqu’une médiane ou une estimation supérieure répond mieux à une question de planification qu’une prédiction de la moyenne.
Plongée profonde
La régression des moindres carrés ordinaires cible une moyenne conditionnelle. La régression quantile cible un autre point de la distribution conditionnelle des résultats, comme la médiane ou le 90e percentile. Les entrées peuvent décrire l'itinéraire et l'heure d'expédition d'un colis ; le résultat pourrait être un percentile de délai de livraison pour les colis présentant ces caractéristiques. La médiane est le 50e percentile. Pour un résultat continu avec un 90e centile conditionnel bien estimé, environ 90 % des résultats comparables devraient être inférieurs ou égaux à cette valeur. Il s’agit d’une déclaration sur une distribution de résultats. Il ne s’agit pas d’affirmer que la valeur prédite elle-même est correcte avec une probabilité de 90 %. La régression quantile utilise une pénalité asymétrique appelée perte de flipper. Pour un quantile élevé, une sous-prévision coûte plus cher qu’une surprédiction tout aussi importante. Cela pousse l’estimation ajustée vers le haut par rapport à la médiane. Le choix d’un quantile rend donc explicite l’objectif de planification au lieu de le cacher dans une moyenne. Des estimations distinctes des quantiles inférieur et supérieur peuvent former une plage de prédiction. Les estimations des 10e et 90e centiles suggèrent un intervalle central nominal de 80 %. Le mot nominal compte : un modèle ajusté peut être erroné. Évaluez la fraction des résultats retenus couverts par l’intervalle et examinez sa largeur. Inspectez également les groupes concernés plutôt que de vous fier uniquement à une moyenne globale. QuantileRegressor de Scikit-learn fournit un modèle linéaire avec régularisation. Des méthodes quantiles existent également pour d’autres familles de modèles. Les prédictions de quantiles ajustés séparément peuvent se croiser, produisant une estimation supérieure inférieure à une estimation inférieure. Vérifiez explicitement cet échec. La régression quantile offre un moyen utile de décrire la variation, mais ni l'objectif de formation ni un graphique d'intervalles attrayant ne garantissent des estimations fiables de l'incertitude.
Impact stratégique
Coût et budget
Les décisions en matière d'architecture déterminent les performances et les coûts d'exploitation pendant des années.
Décisions plus claires
La formation technique aide les équipes à choisir la bonne pile, pas seulement la plus récente.
Contrôle qualité
De meilleurs choix d’ingénierie réduisent les incidents de fiabilité en production.
L'avenir de la régression quantile
Les interfaces de prédiction pourraient rendre les quantiles plus compréhensibles en expliquant à quelle question de planification répond chaque estimation. Une équipe réservant une capacité de service peut se soucier d'un centile supérieur, tandis qu'une autre équipe peut avoir besoin d'une durée typique. Les rapports doivent relier ces choix à la couverture observée et au coût d’une intervention en avance ou en retard. À mesure que les conditions opérationnelles changent, les équipes devront réévaluer à la fois les prévisions des centiles et leurs intervalles. Une meilleure communication de l'incertitude viendra de l'affichage des hypothèses, de la période d'évaluation et des résultats réels à côté des prévisions, plutôt que d'afficher des décimales supplémentaires.
Mise en œuvre dans le monde réel
Une équipe de livraison prédit l’heure d’arrivée médiane et le 90e centile pour les colis présentant des caractéristiques similaires. Le centile supérieur peut éclairer une estimation de planification plus prudente, sous réserve de vérifier la couverture réelle.
Dans un calcul hypothétique de perte de flipper au 90e centile, prédire 10 lorsque le résultat est 12 entraîne une perte de 1,8. Prédire 14 pour ce même résultat entraîne une perte de 0,2.
Un centre de services prédit les 10e et 90e percentiles du temps de résolution. Il vérifie à quelle fréquence les résultats ultérieurs se situent entre ces estimations et si l’intervalle est inutilement large.
Un analyste utilise QuantileRegressor de scikit-learn pour un modèle quantile linéaire, puis le compare à un modèle non linéaire approprié en utilisant les mêmes données retenues et la même perte quantile.
Risques et garde-fous
L’optimisation d’un benchmark peut masquer des faiblesses plus larges du système.
Les coûts d’infrastructure et de maintenance sont souvent sous-estimés.
Les lacunes en matière de sécurité et d’observabilité peuvent se creuser à mesure que les systèmes deviennent plus complexes.
Feuille de route de mise en œuvre
Définissez les objectifs de latence, de qualité et de coût avant la mise en œuvre.
Benchmark dans des conditions de charge et de données réalistes.
Surveillance des instruments pour détecter les erreurs, la dérive et l'impact sur l'utilisateur.
Préparez les chemins de restauration et de réponse aux incidents avant la mise à l’échelle.
Continuez à explorer
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Quantile Regression quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Questions fréquemment posées
Qu’est-ce que la régression quantile ?
La régression quantile prédit un centile choisi d'un résultat en fonction des entrées disponibles. Ceci est utile lorsqu’une médiane ou une estimation supérieure répond mieux à une question de planification qu’une prédiction de la moyenne.
Un modèle de prestation estime un 90e percentile conditionnel. Quelle interprétation correspond au guide pour un résultat continu et un modèle bien estimé ?
Un quantile conditionnel localise un point dans la distribution des résultats pour les entrées données ; il n’est pas probable qu’une seule prédiction numérique soit exacte.
Au quantile 0,9, une prédiction de 10 est suivie d'un résultat de 12. Quelle perte de flipper s'applique ?
Le résidu est plus deux, donc la perte est de 0,9 fois deux, soit 1,8.
Pourquoi l’ajustement d’un quantile élevé favorise-t-il une estimation plus élevée que l’ajustement de la médiane ?
L’asymétrie des pertes du flipper rend la sous-prédiction plus coûteuse aux niveaux de quantiles élevés.
Quel intervalle central nominal est formé par les 10e et 90e percentiles conditionnels ?
La masse de probabilité entre le 10e et le 90e centile est de 80 points de pourcentage, si ces quantiles sont estimés correctement.
L'intervalle nominal de 80 % d'un modèle ne couvre que 60 % des résultats retenus. Quelle conclusion s’ensuit ?
Les quantiles de formation ne garantissent pas la couverture ; le résultat retenu montre une sous-couverture des données évaluées.
Continuez à apprendre
Guides associés
Plus de guides sélectionnés pour ce sujet