分位数建模中的模型性能


14

我正在使用分位数回归(例如,通过gbmquantreg在R中)-不关注中位数,而是关注较高的分位数(例如,第75位)。来自预测建模的背景,我想衡量模型在测试集上的拟合程度,并能够向业务用户进行描述。我的问题是?在具有连续目标的典型设置中,我可以执行以下操作:

  • 计算总体RMSE
  • 根据预测值对数据集进行十进制分析,然后将实际平均值与每个十分位数中预测的平均值进行比较。
  • 等等。

在这种情况下,如果确实没有实际值(至少我不认为)可以与预测进行比较,该怎么办?

这是示例代码:

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)

现在呢-因为我们没有观察到条件分布的百分位数?

加:

我假设了几种方法,我想知道它们是否正确以及是否有更好的方法-以及如何解释第一种方法:

  1. 从损失函数计算平均值:

    qregLoss<-function(actual, estimate,quantile)
    {
       (sum((actual-estimate)*(quantile-((actual-estimate)<0))))/length(actual)
    
    }
    

    这是分位数回归的损失函数-但是我们如何解释该值?

  2. 我们是否应该期望,例如,如果我们要计算测试集的第75个百分位数,则预测值应大于75%左右的实际值?

是否存在其他正式或启发式的方法来描述模型对新病例的预测程度?


第3节在本文可能是有用的。
tchakravarty13年

@tchakravarty我认为该链接已失效
alexpghayes

Answers:



0

我将使用弹球损失(定义在https://arxiv.org/pdf/1102.2101.pdf第二页的开始),并将其解释为您要建模的分位数的平均绝对误差(MAE) ,假设误差为100:“关于我们测试数据中实际75%位数的模型的平均绝对误差为100。”

请记住,这不能与RMSE相提并论,因为异常值的影响要小得多。

要回答您的问题(2):如果对75%的分位数建模,将适合边界分割数据量!比例为75:25。然后,大约25%的测试数据应高于您的预测。

By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.