假设我正在制作一个AI，使用多元回归来预测紧急情况下需要多少辆警车。使用线性回归时，它高估了一半的时间，而另一半则低估了。但是我不能低估，但是如果它高估了也可以。我应该使用哪种方法来防止这种情况？
（我正在使用python btw ...）
最佳答案
您不能做一个永远不会低估但可能会高估的回归。
您将需要能够定义目标（需要的汽车）的下限四个。对于您的要求，这根本不可能。
您可以获得的是倾向于高估的模型。例如，您可以根据目标的方差来计算要添加的所需汽车数量的因数，以使模型不会因X％的情况而被低估。将该因子设置得越高，您的低估率就越接近0％。当然，您需要考虑到此过程将导致预测中的高估趋势。
您还可以设置低估惩罚-这样一来，就可以将低估误差考虑为高估误差的n倍，这也会降低您的低估率，但不能确保您永远不会低估。但是您要么需要找到一个可以为您完成此任务的损失函数，要么创建一个自己的损失函数。
可能总是会出现这样的情况：您做出预测后，接到一些关于小东西（例如某人院子里的小火）的电话，然后变成更大的东西（爆炸煤气管）。而且您将无法创建将这种“不可能预测”的情况考虑在内的AI。