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。

08-24 14:46