რა არის კვანტილური რეგრესია ინტერვალებით პროგნოზისთვის?

კვანტილური რეგრესია არის რეგრესიის მეთოდი, რომელიც საშუალებას აძლევს შეფასდეს არა მხოლოდ მიზნობრივი ცვლადის საშუალო მნიშვნელობა, არამედ მისი განაწილების სხვადასხვა კვანტილები. ინტერვალებით პროგნოზირების კონტექსტში (მაგალითად, დროის სერიული მონაცემები) კვანტილური რეგრესია ეხმარება მიიღოს ინტერვალური პროგნოზები, რომლებიც ასახავს მოდელის გაურკვევლობას.

სხვა სიტყვით, რომ პროგნოზირება ერთეულ მნიშვნელობას (მაგალითად, საშუალოს) ნაცვლად, მოდელი სწავლობს პროგნოზირებას, მაგალითად, 5-ე და 95-ე პროცენტილებს, რაც ქმნის 90%-იან სანდოობის ინტერვალს.

ეს განსაკუთრებით სასარგებლოა იმ დავალებებში, სადაც მნიშვნელოვანია შესაძლო მნიშვნელობების დიაპაზონის გაგება, არა მხოლოდ მოსალოდნელი მნიშვნელობა, მაგალითად, ფინანსებში ან მოთხოვნის პროგნოზირებაში.

Python-ის statsmodels ბიბლიოთეკის გამოყენებით კვანტილური რეგრესიის მაგალითი:

import statsmodels.api as sm
import numpy as np

# X - მახასიათებლები, y - მიზნობრივი ცვლადი
X = sm.add_constant(X)  # კონსტანტის დამატება
კვანტილები = [0.05, 0.5, 0.95]
მოდელები = {}
for q in კვანტილები:
    მოდი = sm.QuantReg(y, X)
    შედეგი = მოდი.fit(q=q)
    მოდელები[q] = შედეგი

# ახლა შესაძლებელია პროგნოზების მიღება სხვადასხვა კვანტილებისთვის