Problem
W regresji zwykle obliczany jest średni błąd kwadratu (MSE) dla próbki: aby zmierzyć jakość predyktora.
Obecnie pracuję nad problemem regresji, którego celem jest przewidzenie ceny, jaką klienci są skłonni zapłacić za produkt, biorąc pod uwagę szereg funkcji numerycznych. Jeśli przewidywana cena jest zbyt wysoka, żaden klient nie kupi produktu, ale strata pieniężna jest niska, ponieważ cenę można po prostu obniżyć. Oczywiście nie powinna być zbyt wysoka, ponieważ wtedy produktu nie można kupić przez długi czas. Z drugiej strony, jeśli przewidywana cena jest zbyt niska, produkt zostanie kupiony szybko, bez możliwości skorygowania ceny.
Innymi słowy, algorytm uczenia się powinien przewidywać nieco wyższe ceny, które w razie potrzeby mogą zostać obniżone, a nie niedoszacowanie prawdziwej ceny, co spowoduje natychmiastową stratę pieniężną.
Pytanie
Jak zaprojektowałbyś wskaźnik błędu uwzględniający tę asymetrię kosztów?
Możliwe rozwiązanie
Sposobem na zdefiniowanie asymetrycznej funkcji utraty byłoby po prostu pomnożenie przez wagę: przy czym jest parametrem, który możemy dostosować, aby zmienić stopień asymetrii. Znalazłem to tutaj . Wydaje się to najprostszą rzeczą do zrobienia, zachowując kwadratową stratę.a-∈(0,1)