當前位置: 首頁>>編程示例 >>用法及示例精選 >>正文


R probably int_conformal_quantile 通過保形推理和分位數回歸預測區間

可以使用 Romano 等人 (2019) 說明的分割共形推理方法來計算擬合回歸工作流對象的非參數預測區間。為了計算分位數,此函數使用分位數隨機森林而不是經典的分位數回歸。

用法

int_conformal_quantile(object, ...)

# S3 method for workflow
int_conformal_quantile(object, train_data, cal_data, level = 0.95, ...)

參數

object

一個合適的 workflows::workflow() 對象。

...

傳遞給quantregForest::quantregForest()的選項(例如樹的數量)。

train_data, cal_data

包含預測變量和結果數據的 DataFrame 。 train_data 應該與用於生成 object 的數據相同,而 cal_data 用於生成預測(和殘差)。如果工作流程使用配方,這些數據應該是配方的輸入數據(而不是配方的產品)。

level

區間的置信水平。

"int_conformal_quantile" 的對象,包含創建間隔的信息(包括 object )。 predict() 方法用於生成間隔。

細節

請注意,應在此函數中指定顯著性級別(而不是 predict() 方法)。

cal_data 應足夠大,以便能夠很好地估計極端分位數(例如,95% 間隔的第 95 個),並且不應包含原始訓練集中的行。

請注意,由於用於構造區間的方法,預測區間可能不包括預測值。

參考

羅馬諾、亞尼夫、埃文·帕特森和伊曼紐爾·坎德斯。 “保形分位數回歸。”神經信息處理係統的進展 32 (2019)。

例子

library(workflows)
library(dplyr)
library(parsnip)
library(rsample)
library(tune)
library(modeldata)

set.seed(2)
sim_train <- sim_regression(500)
sim_cal   <- sim_regression(200)
sim_new   <- sim_regression(  5) %>% select(-outcome)

# We'll use a neural network model
mlp_spec <-
  mlp(hidden_units = 5, penalty = 0.01) %>%
  set_mode("regression")

mlp_wflow <-
  workflow() %>%
  add_model(mlp_spec) %>%
  add_formula(outcome ~ .)

mlp_fit <- fit(mlp_wflow, data = sim_train)

mlp_int <- int_conformal_quantile(mlp_fit, sim_train, sim_cal,
                                        level = 0.90)
mlp_int
#> Split Conformal inference via Quantile Regression
#> preprocessor: formula 
#> model: mlp (engine = nnet) 
#> calibration set size: 200 
#> confidence level: 0.9 
#> 
#> Use `predict(object, new_data)` to compute prediction intervals

predict(mlp_int, sim_new)
#> # A tibble: 5 × 3
#>   .pred .pred_lower .pred_upper
#>   <dbl>       <dbl>       <dbl>
#> 1  4.46      -14.1         29.7
#> 2  5.83      -14.1         50.2
#> 3  9.27      -11.3         36.1
#> 4  1.50        1.67        46.8
#> 5  9.68      -15.6         19.8

相關用法


注:本文由純淨天空篩選整理自Max Kuhn等大神的英文原創作品 Prediction intervals via conformal inference and quantile regression。非經特殊聲明,原始代碼版權歸原作者所有,本譯文未經允許或授權,請勿轉載或複製。