问题
在回归中,通常会计算出样本的均方误差(MSE): 来衡量预测变量的质量。
现在,我正在研究一个回归问题,该问题的目的是在给定许多数字特征的情况下,预测客户愿意为产品支付的价格。如果预测价格过高,则没有客户会购买该产品,但是金钱损失很低,因为价格可以简单地降低。当然不应太高,否则可能会导致长时间不购买该产品。另一方面,如果预测价格过低,则将很快购买产品,而没有机会调整价格。
换句话说,学习算法应该预测稍高的价格,如有必要,可以将其降低,而不是低估会导致立即金钱损失的真实价格。
题
您如何设计一个包含这种成本不对称性的误差度量?
可能的解决方案
定义非对称损失函数的一种方法是简单地乘以权重: 其中是我们可以调整的参数,以更改不对称程度。我在这里找到了。在保持二次损失的同时,这似乎是最直接的事情。α∈ (0,1)
1
@ MichaelChernick,FTR,我认为这是一个很好的问题,已经清楚且连贯地陈述了这一点,并承认我有点挑剔。我要了解的是(默认情况下)通过最小化OLS损失函数 SSE来拟合回归(即,求解)。没错,MSE 可以等效地用b / c除以一个常数,不会影响候选beta的顺序。
—
gung-恢复莫妮卡
另一个事实是,经常使用MSE(更常见的是RMSE)来评估拟合模型的质量(尽管同样,可以等效地使用SSE)。问题是(无论如何对我来说),这个问题似乎是关于如何考虑/重新设计损失函数,以使拟合的beta与默认情况下不同,而不是关于如何对质量进行不同的思考已经适合的模型。
—
gung-恢复莫妮卡
@Kiudee,如果我对您的Q的解释正确,那么您将如何编辑它以添加损失函数标签,并可能将标题修改为:“如何设计和实现回归的非对称损失函数”呢?如果您不同意,我不会自己进行编辑。
—
gung-恢复莫妮卡
由于我正在使用各种学习算法来解决此问题,因此该功能至少应具有一次微分。
—
Kiudee 2012年