Il prossimoProssima guida
Perdita di Huber e regressione robusta
Tecnico
GUIDA TECNICA
La regressione quantilica prevede un percentile scelto di un risultato condizionato agli input disponibili.
Ascolta questa guidaNarrato dall'IA · ~3 min
È utile quando una stima mediana o della coda superiore risponde a una domanda di pianificazione meglio di una previsione della media.
La regressione ordinaria dei minimi quadrati prende di mira una media condizionale. La regressione quantilica prende di mira un altro punto nella distribuzione dei risultati condizionali, come la mediana o il 90° percentile. Gli input potrebbero descrivere il percorso di un pacco e il tempo di spedizione; l'output potrebbe essere un percentile del tempo di consegna per i pacchi con tali caratteristiche. La mediana è il 50° percentile. Per un risultato continuo con un 90° percentile condizionale ben stimato, circa il 90% dei risultati comparabili dovrebbe essere pari o inferiore a tale valore. Questa è una dichiarazione sulla distribuzione dei risultati. Non si intende affermare che il valore previsto stesso sia corretto con una probabilità del 90%. La regressione quantile utilizza una penalità asimmetrica chiamata perdita di flipper. Ad un quantile elevato, una sottostima costa più di una sovrastima altrettanto grande. Ciò spinge la stima adattata verso l’alto rispetto alla mediana. La scelta di un quantile rende quindi esplicito l'obiettivo della pianificazione invece di nasconderlo all'interno di una media. Stime quantili inferiori e superiori separate possono formare un intervallo di previsione. Le stime del 10° e del 90° percentile suggeriscono un intervallo centrale nominale dell'80%. La parola nominale conta: un modello montato può essere sbagliato. Valutare la frazione di risultati esclusi coperti dall'intervallo ed esaminarne l'ampiezza. Ispeziona anche i gruppi rilevanti anziché fare affidamento solo su una media complessiva. QuantileRegressor di Scikit-learn fornisce un modello lineare con regolarizzazione. Esistono metodi quantili anche per altre famiglie di modelli. Le previsioni provenienti da quantili adattati separatamente possono incrociarsi, producendo una stima superiore inferiore a quella inferiore. Verificare esplicitamente l'errore. La regressione quantilica fornisce un modo utile per descrivere la variazione, ma né l'obiettivo dell'addestramento né un grafico degli intervalli interessante garantiscono stime affidabili dell'incertezza.
Un team di consegna prevede l'orario di arrivo medio e il 90° percentile per i pacchi con caratteristiche simili. Il percentile superiore può fornire indicazioni per una stima di pianificazione più cauta, previa verifica della copertura effettiva.
In un ipotetico calcolo della perdita di un flipper al 90° percentile, prevedere 10 quando il risultato è 12 comporta una perdita di 1,8. Pronosticare 14 per lo stesso risultato comporta una perdita di 0,2.
Un service desk prevede il 10° e il 90° percentile del tempo di risoluzione. Controlla la frequenza con cui i risultati successivi rientrano tra tali stime e se l'intervallo è inutilmente ampio.
Un analista utilizza QuantileRegressor di scikit-learn per un modello quantilico lineare, quindi lo confronta con un modello non lineare adatto utilizzando gli stessi dati trattenuti e la stessa perdita quantilica.
Le interfacce di previsione potrebbero rendere i quantili più comprensibili spiegando a quale domanda di pianificazione risponde ciascuna stima. Un team che prenota la capacità del servizio potrebbe interessarsi di un percentile superiore, mentre un altro team potrebbe aver bisogno di una durata tipica. I rapporti dovrebbero collegare tali scelte alla copertura osservata e al costo di arrivare in anticipo o in ritardo. Man mano che le condizioni operative cambiano, i team dovranno rivalutare sia le previsioni percentili che i relativi intervalli. Una migliore comunicazione dell’incertezza deriverà dalla visualizzazione delle ipotesi, del periodo di valutazione e dei risultati effettivi insieme alle previsioni, anziché dalla visualizzazione di cifre decimali aggiuntive.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
La regressione quantilica prevede un percentile scelto di un risultato condizionato agli input disponibili. È utile quando una stima mediana o della coda superiore risponde a una domanda di pianificazione meglio di una previsione della media.
Un quantile condizionale individua un punto nella distribuzione dei risultati per gli input forniti; non è una probabilità che una singola previsione numerica sia esatta.
Il residuo è positivo due, quindi la perdita è 0,9 per due, ovvero 1,8.
L’asimmetria nella perdita del flipper rende la sottostima più costosa a livelli quantili elevati.
La massa di probabilità tra il 10° e il 90° percentile è 80 punti percentuali, se tali quantili sono stimati correttamente.
I quantili di formazione non garantiscono la copertura; il risultato atteso mostra una sottocopertura per i dati valutati.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Perdita di Huber e regressione robusta
Tecnico