概述
當中位數或上尾估計值比平均值預測更好地回答規劃問題時,它是有用的。
深入探討
普通最小平方法迴歸以條件均值為目標。分位數迴歸針對條件結果分佈中的另一個點,例如中位數或第 90 個百分位數。輸入可能描述包裹的路線和派送時間;輸出可以是具有這些特徵的包裹的遞送時間百分位。中位數是第 50 個百分位。對於具有良好估計的條件 90% 的連續結果,大約 90% 的可比較結果應落在或低於該值。這是關於結果分佈的陳述。這並不是說預測值本身有 90% 的機率是正確的。分位數迴歸使用稱為彈珠損失的不對稱懲罰。在高分位數處,低估的成本高於同樣大的高估的成本。這將擬合估計值相對於中位數向上推。因此,選擇分位數可以使規劃目標變得明確,而不是將其隱藏在平均值中。單獨的下分位數估計值和上分位數估計值可以形成預測範圍。第 10 個和第 90 個百分位數的估計顯示名義上的中心 80% 區間。標稱這個字很重要:擬合的模型可能是錯的。評估該區間所涵蓋的保留結果的比例並檢查其寬度。也要檢查相關群體,而不是只依賴總體平均值。 Scikit-learn 的 QuantileRegressor 提供了具有正規化的線性模型。其他模型系列也存在分位數方法。單獨擬合的分位數的預測可能會交叉,產生低於下限的較高估計值。明確檢查該故障。分位數迴歸提供了一種描述變異的有用方法,但訓練目標和有吸引力的區間圖都不能保證可靠的不確定性估計。
現實世界的實施
遞送團隊預測具有相似特徵的包裹的中位數到達時間和第 90 個百分位。較高的百分位數可以提供更謹慎的規劃估計,具體取決於檢查實際覆蓋範圍。
在假設的第 90 個百分位數的彈珠損失計算中,當結果為 12 時預測為 10,會產生 1.8 的損失。對於相同結果預測 14 會導致 0.2 的損失。
服務台預測解決時間的第 10 和第 90 個百分位數。它檢查後來的結果落在這些估計之間的頻率以及間隔是否不必要地寬。
分析師使用 scikit-learn 的 QuantileRegressor 作為線性分位數模型,然後使用相同的保留資料和分位數損失將其與合適的非線性模型進行比較。
分位數回歸的未來
預測介面可以透過解釋每個估計回答哪個規劃問題來使分位數更容易理解。保留服務容量的團隊可能關心上百分位,而另一個團隊可能需要典型的持續時間。報告應將這些選擇與觀察到的覆蓋範圍以及提前或遲到的成本聯繫起來。隨著操作條件的變化,團隊將需要重新評估百分位預測及其間隔。更好的不確定性溝通將來自於與預測一起顯示假設、評估期和實際結果,而不是顯示額外的小數位。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是分位數迴歸?
分位數迴歸根據可用輸入預測結果的選定百分位。當中位數或上尾估計值比平均值預測更好地回答規劃問題時,它是有用的。
交付模型估計有條件的第 90 個百分位數。哪種解釋與連續結果和良好估計模型的指南相符?
條件分位數在給定輸入的結果分佈中定位一個點;這並不是單一數字預測準確的機率。
在分位數 0.9 處,預測 10 後的結果為 12。適用哪種彈珠損失?
殘差是正二,因此損失是二的 0.9 倍,即 1.8。
為什麼擬合高分位數比擬合中位數更有利於更高的估計值?
彈珠損失的不對稱性使得在高分位數水準下預測不足的成本更高。
第 10 個和第 90 個條件百分位數形成哪個名目中心區間?
如果正確估計這些分位數,則第 10 個百分位數和第 90 個百分位數之間的機率品質為 80 個百分點。
模型名義上的 80% 區間僅涵蓋 60% 的保留結果。得出以下哪個結論?
訓練分位數並不能保證覆蓋率;保留的結果顯示評估資料的覆蓋率不足。