XGBoostLSS——XGBoost 向概率预测的扩展
机器学习
2019-08-27 v4 人工智能
机器学习
统计方法学
摘要
我们提出一种新的 XGBoost 框架，可预测单变量响应变量的整个条件分布。具体而言，XGBoostLSS 对参数分布的所有矩（即均值、位置、尺度与形状[LSS]）建模，而非仅对条件均值建模。从广泛的连续、离散及离散-连续混合分布中选用，对整体条件分布建模与预测极大增强了 XGBoost 的灵活性，因为它可增进对数据生成过程的额外洞察，并可生成概率预测，从中导出感兴趣的预测区间与分位数。我们给出一项仿真研究及真实世界示例，以展示我们方法的优点。
引用
@article{arxiv.1907.03178,
title = {XGBoostLSS -- An extension of XGBoost to probabilistic forecasting},
author = {Alexander März},
journal= {arXiv preprint arXiv:1907.03178},
year = {2019}
}
备注
Bayesian Optimization; Distributional Modeling; Expectile Regression; GAMLSS; Probabilistic Forecast; Uncertainty Quantification; XGBoost