Używam regresji kwantyli (na przykład przez gbm
lub quantreg
w R) - nie skupiając się na medianie, ale zamiast tego na górnym kwantylu (np. 75-tym). Opierając się na predykcyjnym tle modelowania, chcę zmierzyć, jak dobrze model pasuje do zestawu testowego i być w stanie opisać to użytkownikowi biznesowemu. Moje pytanie brzmi jak? W typowym ustawieniu z ciągłym celem mógłbym wykonać następujące czynności:
- Oblicz ogólny RMSE
- Decile zestaw danych według przewidywanej wartości i porównaj średnią rzeczywistą ze średnią przewidywaną w każdym decylu.
- Itp.
Co można zrobić w tym przypadku, gdy tak naprawdę nie ma rzeczywistej wartości (nie sądzę, przynajmniej) do porównania prognozy?
Oto przykładowy kod:
install.packages("quantreg")
library(quantreg)
install.packages("gbm")
library(gbm)
data("barro")
trainIndx<-sample(1:nrow(barro),size=round(nrow(barro)*0.7),replace=FALSE)
train<-barro[trainIndx,]
valid<-barro[-trainIndx,]
modGBM<-gbm(y.net~., # formula
data=train, # dataset
distribution=list(name="quantile",alpha=0.75), # see the help for other choices
n.trees=5000, # number of trees
shrinkage=0.005, # shrinkage or learning rate,
# 0.001 to 0.1 usually work
interaction.depth=5, # 1: additive model, 2: two-way interactions, etc.
bag.fraction = 0.5, # subsampling fraction, 0.5 is probably best
train.fraction = 0.5, # fraction of data for training,
# first train.fraction*N used for training
n.minobsinnode = 10, # minimum total weight needed in each node
cv.folds = 5, # do 3-fold cross-validation
keep.data=TRUE, # keep a copy of the dataset with the object
verbose=TRUE) # don’t print out progress
best.iter<-gbm.perf(modGBM,method="cv")
pred<-predict(modGBM,valid,best.iter)
Co teraz - skoro nie obserwujemy percentyla rozkładu warunkowego?
Dodaj:
Postawiłem hipotezę na kilka metod i chciałbym wiedzieć, czy są one poprawne, a jeśli są lepsze - także jak interpretować pierwszą:
Obliczyć średnią wartość z funkcji strat:
qregLoss<-function(actual, estimate,quantile) { (sum((actual-estimate)*(quantile-((actual-estimate)<0))))/length(actual) }
Jest to funkcja straty dla regresji kwantowej - ale jak interpretujemy wartość?
Czy należy się spodziewać, że jeśli na przykład obliczamy 75 percentyl, który w zestawie testowym, przewidywana wartość powinna być większa niż wartość rzeczywista przez około 75% czasu?
Czy istnieją inne metody formalne lub heurystyczne do opisania, jak dobrze model przewiduje nowe przypadki?