使用扩展区间最小化获得紧凑预测区间
机器学习
2018-07-02 v1 机器学习
摘要
预测区间是量化回归问题中不确定性的有价值方式。良好的预测区间应既正确——在实际值落于上下界之间的比例至少达到目标百分比；又紧凑——边界的平均宽度小。许多先前的预测区间生成技术对误差分布做出假设，导致其在具有非对称分布的问题上表现不佳。本文提出扩展区间最小化（Expanded Interval Minimization, EIM），一种利用神经网络生成预测区间的新损失函数。该损失函数使用小批量统计量来估计覆盖率并优化预测区间的宽度。它不像先前工作那样对数据和误差的分布做相同假设。我们与三种已发表技术比较，表明在两个大型真实数据集和不同覆盖率水平下，EIM 平均产生 1.37 倍更紧凑的预测区间，最坏情况下为 1.06 倍更紧凑的区间。
引用
@article{arxiv.1806.11222,
title = {Tight Prediction Intervals Using Expanded Interval Minimization},
author = {Dongqi Su and Ying Yin Ting and Jason Ansel},
journal= {arXiv preprint arXiv:1806.11222},
year = {2018}
}