أشجار الانحدار للتنبؤ بفواصل سريعة وقابلة للتكيف

تُرتكب النماذج التنبؤية أخطاء. وبالتالي، هناك حاجة لقياس عدم اليقين المرتبط بتوقعاتها. وقد برز الاستدلال التوافقي (Conformal inference) كأداة قوية لإنشاء مناطق تنبؤ إحصائية صالحة حول التوقعات النقطية، ولكن تطبيقه البسيط على مشاكل الانحدار ينتج مناطق غير متكيفة. وتعمل المُسْتَقَرّات التوافقية الجديدة، التي تعتمد غالبًا على نماذج الانحدار الكوانتيلي أو مُقدّرات الكثافة الشرطية، على معالجة هذه القيود. وعلى الرغم من فائدتها في إنشاء نطاقات تنبؤية، فإن هذه المستقيمات تُبقي على بعد عن الهدف الأصلي المتمثل في قياس عدم اليقين المحيط بنموذج تنبؤي عشوائي. تقدّم هذه الورقة أسرة جديدة من الأساليب المستقلة عن النموذج لتكييف فترات التنبؤ في مشاكل الانحدار، مع ضمان تغطية محلية. يعتمد نهجنا على محاولة إيجاد أدق تقسيم لفضاء الميزات يقرب من التغطية الشرطية. ونُنشئ هذا التقسيم من خلال تدريب أشجار الانحدار وغابات العشوائية (Random Forests) على مُستَقَرّات التوافق. وتميّز مقترحنا بالتنوع، إذ ينطبق على مجموعة متنوعة من مُستَقَرّات التوافق والبيئات التنبؤية، ويُظهر أداءً وقابلية توسعة متفوّقة مقارنة بالأساليب المعيارية في مجموعات بيانات مُحاكاة وواقعية. كما نقدّم حزمة برمجية باللغة بايثون تُسمّى clover، والتي تنفّذ أساليبنا باستخدام واجهة scikit-learn القياسية.