Mai departeUrmătorul ghid
Pierderea Huber și regresia robustă
Tehnic
GHID tehnic
Regresia cuantilă
Regresia cuantilă prezice o percentilă aleasă a unui rezultat condiționat de intrările disponibile.
Pe această pagină3 minute de citit
Prezentare generală
Este util atunci când o estimare mediană sau o estimare superioară răspunde la o întrebare de planificare mai bine decât o predicție a mediei.
Scufundare în profunzime
Regresia obișnuită cu cele mai mici pătrate vizează o medie condiționată. Regresia cuantilă vizează un alt punct în distribuția rezultatului condiționat, cum ar fi mediana sau percentila 90. Intrările ar putea descrie traseul unui colet și timpul de expediere; rezultatul ar putea fi o percentilă de timp de livrare pentru pachetele cu acele caracteristici. Mediana este a 50-a percentila. Pentru un rezultat continuu cu o percentila 90 condiționată bine estimată, aproximativ 90% dintre rezultatele comparabile ar trebui să scadă la sau sub această valoare. Aceasta este o declarație despre o distribuție a rezultatelor. Nu este o afirmație că valoarea prezisă în sine este corectă cu o probabilitate de 90%. Regresia cuantilă folosește o penalizare asimetrică numită pierdere de pinball. La o cuantilă mare, subestimarea costă mai mult decât o suprapredicție la fel de mare. Acest lucru împinge estimarea ajustată în sus în raport cu mediana. Prin urmare, alegerea unei cuantile face ca obiectivul de planificare să fie explicit în loc să îl ascundă într-o medie. Estimările cuantilelor inferioare și superioare separate pot forma un interval de predicție. Estimările percentilelor a 10-a și a 90-a sugerează un interval central nominal de 80%. Cuvântul nominal contează: un model montat poate fi greșit. Evaluați fracția de rezultate reținute acoperită de interval și examinați lățimea acestuia. De asemenea, inspectați grupurile relevante, în loc să vă bazați doar pe o medie generală. QuantileRegressor de la Scikit-learn oferă un model liniar cu regularizare. Metodele cuantile există și pentru alte familii de modele. Predicțiile din cuantile ajustate separat se pot încrucișa, producând o estimare superioară sub una inferioară. Verificați în mod explicit această defecțiune. Regresia cuantilă oferă o modalitate utilă de a descrie variația, dar nici obiectivul de antrenament, nici un grafic de interval atractiv nu garantează estimări fiabile ale incertitudinii.
Impact strategic
Cost și buget
Deciziile de arhitectură generează performanța și costurile de operare de ani de zile.
Decizii mai clare
Educația tehnică ajută echipele să aleagă stiva potrivită, nu doar cea mai nouă.
Controlul calității
Opțiuni de inginerie mai bune reduc incidentele de fiabilitate în producție.
Viitorul regresiei cuantile
Interfețele de predicție ar putea face cuantilele mai ușor de înțeles, explicând la ce întrebare de planificare răspunde fiecare estimare. O echipă care rezervă capacitatea de serviciu ar putea să-i pese de o percentilă superioară, în timp ce o altă echipă poate avea nevoie de o durată tipică. Rapoartele ar trebui să conecteze aceste alegeri cu acoperirea observată și cu costul de a fi devreme sau întârziat. Pe măsură ce condițiile de funcționare se schimbă, echipele vor trebui să reevalueze atât predicțiile percentilei, cât și intervalele acestora. O mai bună comunicare a incertitudinii va veni din afișarea ipotezelor, perioadei de evaluare și a rezultatelor reale alături de prognoză, mai degrabă decât afișarea zecimalelor suplimentare.
Implementare în lumea reală
O echipă de livrare prezice ora mediană de sosire și a 90-a percentila pentru coletele cu caracteristici similare. Percentila superioară poate informa o estimare de planificare mai prudentă, sub rezerva verificării acoperirii reale.
Într-un calcul ipotetic de pierdere de pinball la percentila 90, prezicerea 10 când rezultatul este 12 duce la o pierdere de 1,8. Previziunea 14 pentru același rezultat implică o pierdere de 0,2.
Un birou de service prezice percentilele 10 și 90 de timp de rezoluție. Verifică cât de des se încadrează rezultatele ulterioare între aceste estimări și dacă intervalul este inutil de larg.
Un analist folosește QuantileRegressor al lui scikit-learn pentru un model cuantil liniar, apoi îl compară cu un model neliniar adecvat folosind aceleași date păstrate și pierderi cuantile.
Riscuri și balustrade
Optimizarea unui punct de referință poate ascunde slăbiciunile mai largi ale sistemului.
Costurile de infrastructură și întreținere sunt adesea subestimate.
Lacunele de securitate și observabilitate pot crește pe măsură ce sistemele devin mai complexe.
Foaia de parcurs de implementare
Definiți obiectivele de latență, calitate și cost înainte de implementare.
Benchmark în condiții realiste de încărcare și date.
Monitorizarea instrumentelor pentru erori, deriva și impactul utilizatorului.
Pregătiți căile de retragere și răspuns la incident înainte de scalare.
Continuați să explorați
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
Întrebări frecvente
Ce este regresia cuantilă?
Regresia cuantilă prezice o percentilă aleasă a unui rezultat condiționat de intrările disponibile. Este util atunci când o estimare mediană sau o estimare superioară răspunde la o întrebare de planificare mai bine decât o predicție a mediei.
Un model de livrare estimează o percentila 90 condiționată. Care interpretare se potrivește cu ghidul pentru un rezultat continuu și un model bine estimat?
O cuantilă condiționată localizează un punct în distribuția rezultatului pentru intrările date; nu este o probabilitate ca o singură predicție numerică să fie exactă.
La cuantila 0,9, o predicție de 10 este urmată de un rezultat de 12. Care pierdere de pinball se aplică?
Reziduul este pozitiv doi, deci pierderea este de 0,9 ori doi, sau 1,8.
De ce potrivirea unei cuantile mari favorizează o estimare mai mare decât potrivirea mediei?
Asimetria pierderii de pinball face ca subestimarea să fie mai costisitoare la niveluri cuantile înalte.
Care interval central nominal este format din percentilele condiționale a 10-a și a 90-a?
Masa probabilității dintre percentilele a 10-a și a 90-a este de 80 de puncte procentuale, dacă acele cuantile sunt estimate corect.
Intervalul nominal de 80% al unui model acoperă doar 60% din rezultatele obținute. Care concluzie urmează?
Cuantilele de antrenament nu garantează acoperire; rezultatul reținut arată o subacoperire pentru datele evaluate.
Continuați să învățați
Ghiduri conexe
Mai multe ghiduri alese pentru acest subiect