基于空间加权共形预测的自动估值模型不确定性量化
机器学习
2025-01-31 v2 机器学习
应用统计
摘要
非参数机器学习模型，如随机森林和梯度提升树，因其预测准确性而常被用于估计房价，但此类方法的一个主要缺点是其量化预测不确定性的能力有限。共形预测（CP）是一种模型无关的框架，用于在最小假设下围绕机器学习模型的预测构建置信集。然而，由于房价中观察到的空间依赖性，直接应用 CP 会导致置信集并非处处校准，即置信集在某些地理区域会过大，而在其他区域会过小。我们调研了多种调整 CP 置信集以考虑此问题的方法，并在挪威奥斯陆房地产市场的一个数据集上展示了它们的性能。我们的发现表明，在非一致性分数的空间加权版本上校准置信集，能使覆盖范围在不同地理区域间更一致地得到校准。我们还对合成生成的销售价格进行了模拟研究，以在已知数据生成机制的理想化条件下，实证探索 CP 在房地产市场数据上的性能。
引用
@article{arxiv.2312.06531,
title = {Uncertainty quantification in automated valuation models with spatially weighted conformal prediction},
author = {Anders Hjort and Gudmund Horn Hermansen and Johan Pensar and Jonathan P. Williams},
journal= {arXiv preprint arXiv:2312.06531},
year = {2025}
}