ДаліНаступний посібник
Втрата Губера та стійка регресія
технічний
Технічний КЕРІВНИЦТВО
Квантильна регресія
Квантильна регресія передбачає вибраний процентиль результату залежно від доступних вхідних даних.
На цій сторінці3 хвилини читання
Огляд
Це корисно, коли медіана або верхня оцінка краще відповідають на питання планування, ніж прогноз середнього.
Глибоке занурення
Звичайна регресія найменших квадратів націлена на умовне середнє. Квантильна регресія націлена на іншу точку в розподілі умовного результату, таку як медіана або 90-й процентиль. Вхідні дані можуть описувати маршрут посилки та час відправлення; результатом може бути процентиль часу доставки для посилок із такими характеристиками. Медіана становить 50-й процентиль. Для безперервного результату з добре оціненим умовним 90-м процентилем приблизно 90% порівнянних результатів повинні бути рівними або нижчими за це значення. Це твердження про розподіл результатів. Це не твердження, що прогнозоване значення саме по собі є правильним із 90% ймовірністю. Квантильна регресія використовує асиметричний штраф, який називається втратою пінболу. За високого квантиля недопередбачення коштує дорожче, ніж таке ж велике завищення. Це штовхає підігнану оцінку вгору відносно медіани. Тому вибір квантиля робить мету планування явною, а не ховає її всередині середнього. Окремі нижні та верхні квантильні оцінки можуть сформувати діапазон передбачення. Оцінки 10-го та 90-го процентилів передбачають номінальний центральний інтервал у 80%. Слово номінальний має значення: приталена модель може бути неправильною. Оцініть частку утриманих результатів, охоплених інтервалом, і перевірте його ширину. Також перевірте відповідні групи, а не покладайтеся лише на загальне середнє значення. QuantileRegressor Scikit-learn надає лінійну модель із регуляризацією. Квантильні методи також існують для інших сімейств моделей. Прогнози з окремо підігнаних квантилів можуть перетинатися, створюючи верхню оцінку нижче нижньої. Перевірте цю помилку явно. Квантильна регресія дає корисний спосіб опису варіації, але ні мета навчання, ні приваблива інтервальна діаграма не гарантують надійних оцінок невизначеності.
Стратегічний вплив
Вартість і бюджет
Архітектурні рішення збільшують продуктивність і експлуатаційні витрати протягом багатьох років.
Чіткіші рішення
Технічна освіта допомагає командам вибрати правильний стек, а не лише найновіший.
Контроль якості
Кращий інженерний вибір зменшує проблеми з надійністю у виробництві.
Майбутнє квантильної регресії
Інтерфейси прогнозування можуть зробити квантилі більш зрозумілими, пояснюючи, на яке питання планування відповідає кожна оцінка. Команда, яка резервує потужність обслуговування, може мати на меті верхній процентиль, тоді як іншій команді може знадобитися типова тривалість. Звіти мають пов’язувати цей вибір із спостережуваним охопленням і вартістю раннього чи запізнення. У міру зміни робочих умов командам потрібно буде переоцінити як процентильні прогнози, так і їхні інтервали. Краще повідомлення про невизначеність буде досягнуто завдяки показу припущень, періоду оцінки та фактичних результатів поряд із прогнозом, а не відображення додаткових знаків після коми.
Реалізація в реальному світі
Команда доставки прогнозує середній час прибуття та 90-й процентиль для посилок із подібними характеристиками. Верхній процентиль може інформувати про більш обережну оцінку планування за умови перевірки фактичного покриття.
У гіпотетичному розрахунку втрат у пінболі на 90-му процентилі передбачення 10, коли результат дорівнює 12, призводить до втрати 1,8. Прогнозування 14 для того самого результату призводить до втрати 0,2.
Служба обслуговування передбачає 10-й і 90-й процентилі часу вирішення. Він перевіряє, як часто пізніші результати потрапляють між цими оцінками та чи інтервал не є надмірно широким.
Аналітик використовує QuantileRegressor від scikit-learn для лінійної квантильної моделі, а потім порівнює її з відповідною нелінійною моделлю, використовуючи ті самі дані та квантильні втрати.
Ризики та огорожі
Оптимізація одного тесту може приховати ширші слабкі сторони системи.
Витрати на інфраструктуру та обслуговування часто недооцінюються.
Прогалини в безпеці та спостережуваності можуть зростати в міру ускладнення систем.
Дорожня карта впровадження
Визначте цільові показники затримки, якості та вартості перед впровадженням.
Тест за реалістичних умов навантаження та даних.
Моніторинг інструментів на наявність помилок, дрейфу та впливу користувача.
Перед масштабуванням підготуйте шляхи відкату та реагування на інциденти.
Продовжуйте досліджувати
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
Часті запитання
Що таке квантильна регресія?
Квантильна регресія передбачає вибраний процентиль результату залежно від доступних вхідних даних. Це корисно, коли медіана або верхня оцінка краще відповідають на питання планування, ніж прогноз середнього.
Модель доставки оцінює умовний 90-й процентиль. Яка інтерпретація збігається з керівництвом для постійного результату та добре оціненої моделі?
Умовний квантиль визначає точку в розподілі результатів для заданих вхідних даних; немає ймовірності того, що окреме числове передбачення є точним.
При квантилі 0,9 прогноз 10 супроводжується результатом 12. Який програш у пінболі застосовується?
Залишок дорівнює додатним двом, тому втрата дорівнює 0,9 помножити на два, або 1,8.
Чому підгонка високого квантиля сприяє вищій оцінці, ніж підгонка медіани?
Асиметрія у втратах пінболу робить недопрогнозування дорожчим на високих квантильних рівнях.
Який номінальний центральний інтервал утворюють 10-й і 90-й умовні процентилі?
Маса ймовірності між 10-м і 90-м процентилями становить 80 процентних пунктів, якщо ці квантилі оцінені правильно.
Номінальний 80% інтервал моделі охоплює лише 60% утриманих результатів. Який висновок випливає?
Навчальні квантилі не гарантують покриття; відкладений результат показує недостатнє охоплення оцінюваних даних.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми