Техническое РУКОВОДСТВО

Квантильная регрессия

Квантильная регрессия прогнозирует выбранный процентиль результата в зависимости от доступных входных данных.

Прослушайте это руководствоОзвучено ИИ · ~3 min

На этой странице3 минуты чтения
  1. Обзор
  2. Глубокое погружение
  3. Реальная реализация
  4. Будущее квантильной регрессии
  5. Применение на практике
  6. Продолжайте исследовать
  7. Часто задаваемые вопросы

Обзор

Это полезно, когда медиана или верхняя оценка отвечают на вопрос планирования лучше, чем прогноз среднего значения.

Глубокое погружение

Обычная регрессия методом наименьших квадратов нацелена на условное среднее. Квантильная регрессия нацелена на другую точку условного распределения результатов, например медиану или 90-й процентиль. Входные данные могут описывать маршрут и время отправки посылки; the output could be a delivery-time percentile for parcels with those characteristics. Медиана – это 50-й процентиль. Для непрерывного результата с хорошо оцененным условным 90-м процентилем примерно 90% сопоставимых результатов должны соответствовать этому значению или ниже. Это утверждение о распределении результатов. Это не утверждение, что предсказанное значение само по себе верно с вероятностью 90%. Quantile regression uses an asymmetric penalty called pinball loss. В высоком квантиле занижение прогноза обходится дороже, чем столь же большое завышение прогноза. Это подталкивает подобранную оценку вверх относительно медианы. Таким образом, выбор квантиля делает цель планирования явной, а не скрывает ее внутри среднего значения. Отдельные оценки нижнего и верхнего квантилей могут образовывать диапазон прогнозирования. 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. Также проверяйте соответствующие группы, а не полагайтесь только на общий средний показатель. QuantileRegressor от Scikit-learn предоставляет линейную модель с регуляризацией. Квантильные методы существуют и для других семейств моделей. Прогнозы на основе отдельно подобранных квантилей могут пересекаться, в результате чего верхняя оценка оказывается ниже нижней. Проверьте эту ошибку явно. Квантильная регрессия дает полезный способ описания вариаций, но ни цель обучения, ни привлекательная интервальная диаграмма не гарантируют надежных оценок неопределенности.

Реальная реализация

Команда доставки прогнозирует среднее время прибытия и 90-й процентиль для посылок со схожими характеристиками. Верхний процентиль может дать более осторожную оценку планирования при условии проверки фактического покрытия.

При гипотетическом расчете проигрыша в пинболе на 90-м процентиле предсказание 10 при результате 12 приводит к потере 1,8. Предсказание 14 для того же результата влечет за собой потерю 0,2.

Служба поддержки прогнозирует 10-й и 90-й процентили времени разрешения проблемы. Он проверяет, как часто последующие результаты попадают между этими оценками и не является ли интервал излишне широким.

Аналитик использует QuantileRegressor scikit-learn для линейной квантильной модели, а затем сравнивает ее с подходящей нелинейной моделью, используя те же удерживаемые данные и потери квантиля.

Будущее квантильной регрессии

Интерфейсы прогнозирования могут сделать квантили более понятными, объясняя, на какой вопрос планирования отвечает каждая оценка. Команде, резервирующей мощности обслуживания, может быть важен верхний процентиль, тогда как другой команде может потребоваться типичная продолжительность. Отчеты должны связывать этот выбор с наблюдаемым охватом и ценой раннего или позднего прибытия. По мере изменения условий эксплуатации командам придется переоценивать как процентильные прогнозы, так и их интервалы. Лучшее информирование о неопределенности будет происходить за счет демонстрации допущений, периода оценки и фактических результатов рядом с прогнозом, а не отображения дополнительных десятичных знаков.

Применение на практике

Почему это важно

  • Стоимость и бюджет. Архитектурные решения влияют на производительность и эксплуатационные расходы на протяжении многих лет.
  • Более четкие решения. Техническое образование помогает командам выбрать правильный стек, а не только самый новый.
  • Контроль качества. Лучший инженерный выбор снижает вероятность возникновения проблем с надежностью на производстве.

Следите за

  • Оптимизация одного теста может скрыть более широкие недостатки системы.
  • Затраты на инфраструктуру и техническое обслуживание часто недооцениваются.
  • Пробелы в безопасности и наблюдаемости могут увеличиваться по мере усложнения систем.

Следующие шаги

  1. Определите целевые показатели задержки, качества и стоимости перед внедрением.
  2. Тестирование при реалистичной нагрузке и условиях данных.
  3. Мониторинг прибора на наличие ошибок, дрейфа и влияния пользователя.
  4. Перед масштабированием подготовьте пути отката и реагирования на инциденты.

Продолжайте исследовать

Бесплатная рассылка

Получайте ежедневный AI-обзор

Три проверенных AI-истории каждое утро буднего дня, написанные простым английским. Бесплатно навсегда, без рекламы.

Одно электронное письмо каждый будний день. Отписаться в один клик. Мы никогда не продаем и не передаем ваш адрес.

Проверьте себя

Take the Quantile Regression quiz

Мгновенная обратная связь по каждому ответу и общий сертификат с проверяемым идентификатором после прохождения курса.

Начать тест

Поддержите бесплатное образование в области искусственного интеллекта. AI Understanding — это некоммерческая организация 501(c)(3). Никакой рекламы и платного доступа. Сделать пожертвование

Часто задаваемые вопросы

Что такое квантильная регрессия?

Квантильная регрессия прогнозирует выбранный процентиль результата в зависимости от доступных входных данных. Это полезно, когда медиана или верхняя оценка отвечают на вопрос планирования лучше, чем прогноз среднего значения.

Модель доставки оценивает условный 90-й процентиль. Какая интерпретация соответствует руководству для непрерывного результата и хорошо оцененной модели?

Условный квантиль определяет точку в распределении результатов для данных входных данных; это не вероятность того, что одно числовое предсказание окажется точным.

При квантиле 0,9 за прогнозом 10 следует результат 12. Какой проигрыш в пинболе применим?

Остаток равен двум положительным, поэтому потеря равна 0,9 умножить на два, или 1,8.

Почему подбор высокого квантиля благоприятствует более высокой оценке, чем подбор медианы?

Асимметрия потерь в пинболе делает недооценку более дорогостоящей на высоких квантильных уровнях.

Какой номинальный центральный интервал образуют 10-й и 90-й условные процентили?

Масса вероятности между 10-м и 90-м процентилями составляет 80 процентных пунктов, если эти квантили оценены правильно.

Номинальный 80%-ный интервал модели покрывает только 60% ожидаемых результатов. Какой вывод следует?

Обучающие квантили не гарантируют охвата; отложенный результат показывает недостаточное покрытие оцененных данных.

Продолжайте учиться

Связанные руководства

Другие руководства, выбранные по этой теме

Получите бесплатный AI-сертификатКороткий бесплатный курс и экзамен. Без стоимости, без карты. Около 2,5 часов.Начать бесплатно →