Ի՞նչ է քվանտային ռեգրեսիան կանխատեսումների համար միջակայքերով։

Կվանտիլային ռեգրեսիան մի մեթոդ է, որը թույլ է տալիս գնահատել ոչ միայն նպատակային փոփոխականի միջին արժեքը, այլ նաև նրա տարածման տարբեր քվանտիլները։ Մոդելի անկյունային կանխատեսումներից (օրինակ՝ ժամանակային շարքերի) կախված՝ քվանտիլային ռեգրեսիան օգնում է ստանալ միջակայքային կանխատեսումներ, որոնք արտացոլում են մոդելի անհայտությունը։

Ի տարբերություն միայն մեկ կետային արժեքի (օրինակ՝ միջին) կանխատեսելու, մոդելը սովորեցվում է կանխատեսել, օրինակ, 5-րդ և 95-րդ տոկոսային արժեքները, ինչը կազմում է 90%-անոց վստահության միջակայք։

Սա հատկապես օգտակար է այն խնդիրների համար, որտեղ կարևոր է հասկանալ հնարավոր արժեքների տիրույթը, ոչ միայն սպասվող արժեքը, օրինակ՝ ֆինանսներում կամ պահանջարկի կանխատեսումներում։

Python-ում statsmodels գրադարանի միջոցով քվանտիլային ռեգրեսիայի օրինակ՝

import statsmodels.api as sm
import numpy as np

# X - հատկանիշներ, y - նպատակային փոփոխական
X = sm.add_constant(X)  # ավելացնում ենք կայունություն
քվանտիլներ = [0.05, 0.5, 0.95]
մոդելներ = {}
for q in քվանտիլներ:
    մոդել = sm.QuantReg(y, X)
    արդյունք = մոդել.fit(q=q)
    մոդելներ[q] = արդյունք

# Այժմ հնարավոր է ստանալ կանխատեսումներ տարբեր քվանտիլների համար