Regresi kuantil untuk ramalan kebarangkalian siri masa
Jangan ubah maksud kandungan asal, perhalusi kandungan, tulis semula kandungan, dan jangan teruskan menulis. "Regression kuantil memenuhi keperluan ini, menyediakan selang ramalan dengan peluang yang dikira. Ia adalah teknik statistik yang digunakan untuk memodelkan hubungan antara pembolehubah peramal dan pembolehubah tindak balas, terutamanya apabila taburan bersyarat pembolehubah tindak balas adalah menarik Apabila. Tidak seperti regresi tradisional kaedah, regresi kuantil memfokuskan pada menganggar magnitud bersyarat pembolehubah tindak balas dan bukannya min bersyarat ”
Rajah (A): Regresi kuantil
Regresi kuantil ialah kaedah regresi hubungan linear antara set regressor X dan kuantiti pembolehubah yang dijelaskan Y.
Model regresi sedia ada sebenarnya adalah kaedah mengkaji hubungan antara pembolehubah yang dijelaskan dan pembolehubah penjelasan. Mereka memberi tumpuan kepada hubungan antara pembolehubah penjelasan dan pembolehubah yang dijelaskan dan taburan ralat mereka regresi median dan regresi kuantil adalah dua model regresi biasa. Mereka pertama kali dicadangkan menurut Koenker dan Bassett (1978).
Pengiraan penganggar regresi kuasa dua terkecil biasa adalah berdasarkan meminimumkan jumlah baki kuasa dua. Pengiraan penganggar regresi kuantil juga berdasarkan meminimumkan baki nilai mutlak dalam bentuk simetri. Antaranya, operasi regresi median ialah penganggar sisihan mutlak terkecil (LAD, penganggar sisihan mutlak terkecil).
Kelebihan Regresi Kuantil
Jelaskan gambaran penuh taburan bersyarat bagi pembolehubah yang dijelaskan Ia bukan sahaja menganalisis jangkaan bersyarat (min) pembolehubah yang dijelaskan, tetapi juga menganalisis bagaimana pembolehubah penjelasan mempengaruhi median dan kuantil. pembolehubah dijelaskan. Anggaran pekali regresi pada kuantil yang berbeza selalunya berbeza, iaitu pembolehubah penjelasan mempunyai kesan yang berbeza pada kuantil yang berbeza Oleh itu, kesan yang berbeza bagi kuantiti yang berbeza bagi pembolehubah penjelasan akan mempunyai kesan yang berbeza terhadap pembolehubah yang dijelaskan.
Berbanding dengan kaedah pendaraban terkecil, kaedah anggaran untuk regresi median adalah lebih teguh kepada outlier, dan regresi kuantil tidak memerlukan andaian yang kukuh pada istilah ralat, jadi untuk bukan normal Taburan keadaan dan pekali regresi median adalah lebih sihat. Pada masa yang sama, anggaran kuantiti sistem regresi kuantil menjadi lebih mantap.
Apakah kelebihan regresi kuantil berbanding simulasi Monte Carlo? Pertama, regresi kuantil menganggarkan secara langsung magnitud bersyarat pembolehubah tindak balas yang diberikan peramal. Ini bermakna, daripada menghasilkan sejumlah besar hasil yang mungkin seperti simulasi Monte Carlo, ia memberikan anggaran magnitud khusus taburan pembolehubah tindak balas. Ini amat berguna untuk memahami tahap ketidakpastian ramalan yang berbeza, seperti kuintil, kuartil atau magnitud melampau. Kedua, regresi kuantil menyediakan kaedah anggaran ketidakpastian ramalan berasaskan model yang menggunakan data pemerhatian untuk menganggar hubungan antara pembolehubah dan membuat ramalan berdasarkan hubungan ini. Sebaliknya, simulasi Monte Carlo bergantung pada menentukan taburan kebarangkalian untuk pembolehubah input dan menjana keputusan berdasarkan persampelan rawak.
NeuralProphet menyediakan dua teknik statistik: (1) regresi kuantil dan (2) regresi kuantil konformal. Teknik ramalan kuantil konformal menambah proses penentukuran untuk melakukan regresi kuantil. Dalam artikel ini, kami akan menggunakan modul regresi kuantil Nabi Neural untuk membuat ramalan regresi kuantil. Modul ini menambah proses penentukuran untuk memastikan keputusan ramalan adalah konsisten dengan pengagihan data yang diperhatikan. Kami akan menggunakan modul regresi kuantil Nabi Neural dalam bab ini.
Keperluan alam sekitar
Pasang NeuralProphet.
!pip install neuralprophet!pip uninstall numpy!pip install git+https://github.com/ourownstory/neural_prophet.git numpy==1.23.5
%matplotlib inlinefrom matplotlib import pyplot as pltimport pandas as pdimport numpy as npimport loggingimport warningslogging.getLogger('prophet').setLevel(logging.ERROR)warnings.filterwarnings("ignore")
Data basikal kongsi. Set data ialah set data berbilang variasi yang mengandungi permintaan sewaan harian serta medan cuaca lain seperti suhu atau kelajuan angin.
data = pd.read_csv('/bike_sharing_daily.csv')data.tail()
Gambar (B): Basikal kongsiPlot bilangan basikal kongsi. Kami melihat bahawa permintaan meningkat pada tahun kedua dan mengikut corak bermusim.
# convert string to datetime64data["ds"] = pd.to_datetime(data["dteday"])# create line plot of sales dataplt.plot(data['ds'], data["cnt"])plt.xlabel("date")plt.ylabel("Count")plt.show()
Rajah (C): Permintaan harian untuk sewa basikal Buat penyediaan data paling asas untuk pemodelan. NeuralProphet memerlukan nama lajur ds dan y, yang sama seperti Nabi.
df = data[['ds','cnt']]df.columns = ['ds','y']
构建分位数回归模型
直接在 NeuralProphet 中构建分位数回归。假设我们需要第 5、10、50、90 和 95 个量级的值。我们指定 quantile_list = [0.05,0.1,0.5,0.9,0.95],并打开参数 quantiles = quantile_list。
from neuralprophet import NeuralProphet, set_log_levelquantile_list=[0.05,0.1,0.5,0.9,0.95 ]# Model and predictionm = NeuralProphet(quantiles=quantile_list,yearly_seasnotallow=True,weekly_seasnotallow=True,daily_seasnotallow=False)m = m.add_country_holidays("US")m.set_plotting_backend("matplotlib")# Use matplotlibdf_train, df_test = m.split_df(df, valid_p=0.2)metrics = m.fit(df_train, validation_df=df_test, progress="bar")metrics.tail()
分位数回归预测
我们将使用 .make_future_dataframe()为预测创建新数据帧,NeuralProphet 是基于 Prophet 的。参数 n_historic_predictions 为 100,只包含过去的 100 个数据点。如果设置为 True,则包括整个历史数据。我们设置 period=50 来预测未来 50 个数据点。
future = m.make_future_dataframe(df, periods=50, n_historic_predictinotallow=100) #, n_historic_predictinotallow=1)# Perform prediction with the trained modelsforecast = m.predict(df=future)forecast.tail(60)
预测结果存储在数据框架 predict 中。
图 (D):预测
上述数据框架包含了绘制地图所需的所有数据元素。
m.plot(forecast, plotting_backend="plotly-static"#plotting_backend = "matplotlib")
预测区间是由分位数值提供的!
图 (E):分位数预测
预测区间和置信区间的区别
预测区间和置信区间在流行趋势中很有帮助,因为它们可以量化不确定性。它们的目标、计算方法和应用是不同的。下面我将用回归来解释两者的区别。在图(F)中,我在左边画出了线性回归,在右边画出了分位数回归。
图(F):置信区间与预测区间的区别
首先,它们的目标不同:
- 线性回归的主要目标是找到一条线,使预测值尽可能接近给定自变量值时因变量的条件均值。
- 分位数回归旨在提供未来观测值的范围,在一定的置信度下。它估计自变量与因变量条件分布的不同量化值之间的关系。
其次,它们的计算方法不同:
- 在线性回归中,置信区间是对自变量系数的区间估计,通常使用普通最小二乘法 (OLS) 找出数据点到直线的最小总距离。系数的变化会影响预测的条件均值 Y。
- 在分位数回归中,你可以选择依赖变量的不同量级来估计回归系数,通常是最小化绝对偏差的加权和,而不是使用OLS方法。
第三,它们的应用不同:
- 在线性回归中,预测的条件均值有 95% 的置信区间。置信区间较窄,因为它是条件平均值,而不是整个范围。
- 在分位数回归中,预测值有 95% 的概率落在预测区间的范围内。
写在最后
本文介绍了分位数回归预测区间的概念,以及如何利用 NeuralProphet 生成预测区间。我们还强调了预测区间和置信区间之间的差异,这在商业应用中经常引起混淆。后面将继续探讨另一项重要的技术,即复合分位数回归(CQR),用于预测不确定性。
Atas ialah kandungan terperinci Regresi kuantil untuk ramalan kebarangkalian siri masa. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas

Terdapat banyak cara untuk memasang DeepSeek, termasuk: Menyusun dari Sumber (untuk pemaju berpengalaman) menggunakan pakej yang dikompilasi (untuk pengguna Windows) menggunakan bekas docker (untuk yang paling mudah, tidak perlu bimbang tentang keserasian) Dokumen rasmi dengan berhati -hati dan menyediakannya sepenuhnya untuk mengelakkan masalah yang tidak perlu.

Panduan Pengguna Alat DeepSeekai dan FAQ DeepSeek adalah alat pintar AI yang kuat. FAQ: Perbezaan antara kaedah akses yang berbeza: Tidak ada perbezaan fungsi antara versi web, versi aplikasi dan panggilan API, dan aplikasi hanya pembungkus untuk versi web. Penggunaan tempatan menggunakan model penyulingan, yang sedikit lebih rendah daripada versi penuh DeepSeek-R1, tetapi model 32-bit secara teorinya mempunyai keupayaan versi penuh 90%. Apa itu bar? Sillytavern adalah antara muka depan yang memerlukan memanggil model AI melalui API atau Ollama. Apa itu Had Breaking

Untuk mendaftar untuk LBank layari laman web rasmi dan klik "Daftar". Masukkan e-mel dan kata laluan anda dan sahkan e-mel anda. Muat turun apl LBank iOS: Cari "LBank" dalam AppStore. Muat turun dan pasang aplikasi "LBank-DigitalAssetExchange". Android: Cari "LBank" di Gedung Google Play. Muat turun dan pasang aplikasi "LBank-DigitalAssetExchange".

Alat AI termasuk: Doubao, ChatGPT, Gemini, BlenderBot, dll.

Pembubaran kontrak Huobi ialah pembubaran paksa yang disebabkan oleh margin yang tidak mencukupi. Untuk mengelakkan pembubaran, nisbah margin disyorkan: tidak kurang daripada 10% untuk kontrak mata wang arus perdana dan tidak kurang daripada 20% untuk kontrak mata wang bukan arus perdana. Formula pengiraan margin: margin diperlukan untuk pembubaran = nilai kontrak/(kadar kerugian 1-henti/harga pembukaan). Nisbah margin yang tinggi membantu mengurangkan risiko pembubaran. Nisbah leverage perdagangan kontrak adalah tinggi, dan pulangan serta risiko wujud bersama, jadi margin perlu diuruskan dengan teliti.

Pelaburan Grayscale: Saluran untuk pelabur institusi untuk memasuki pasaran cryptocurrency. Syarikat itu telah melancarkan beberapa amanah crypto, yang telah menarik perhatian pasaran yang meluas, tetapi kesan dana ini pada harga token berbeza dengan ketara. Artikel ini akan memperkenalkan secara terperinci beberapa dana amanah utama Grayscale. Dana Grayscale Major Crypto Trust yang boleh didapati dengan sekilas Pelaburan Grayscale (yang diasaskan oleh DigitalCurrencyGroup pada tahun 2013) menguruskan pelbagai dana amanah aset crypto, menyediakan pelabur institusi dan individu yang bernilai tinggi dengan saluran pelaburan yang mematuhi. Dana utamanya termasuk: Zcash (Zec), Sol,

ELIZAOSV2: Memperkasakan AI dan memimpin ekonomi baru Web3. Artikel ini akan menyelam ke dalam inovasi utama ElizaOSv2 dan bagaimana ia membentuk ekonomi masa depan yang didorong oleh AI. AIT Automasi: Pergi secara bebas mengendalikan Elizaos pada asalnya merupakan rangka kerja AI yang memberi tumpuan kepada automasi Web3. Versi V1 membolehkan AI berinteraksi dengan kontrak pintar dan data blockchain, manakala versi V2 mencapai peningkatan prestasi yang signifikan. Daripada hanya melaksanakan arahan mudah, AI secara bebas dapat menguruskan aliran kerja, mengendalikan perniagaan dan membangunkan strategi kewangan. Peningkatan Seni Bina: Ditingkatkan a

Kemasukan pembuat pasaran Castle Securities ke dalam pembuat pasaran Bitcoin adalah simbol kematangan pasaran Bitcoin dan langkah utama bagi pasukan kewangan tradisional untuk bersaing untuk kuasa harga aset masa depan. Pada 25 Februari, menurut Bloomberg, Citadel Securities berusaha untuk menjadi penyedia kecairan untuk kriptografi. Syarikat itu bertujuan untuk menyertai senarai pembuat pasaran di pelbagai bursa, termasuk pertukaran yang dikendalikan oleh Coinbaseglobal, Binanceholdings dan Crypto.com, orang yang biasa dengan perkara itu berkata. Setelah diluluskan oleh pertukaran, syarikat itu pada mulanya merancang untuk menubuhkan pasukan pembuat pasaran di luar Amerika Syarikat. Langkah ini bukan hanya tanda
