Un riepilogo compatto accelera la ricerca sugli ensemble di previsioni
In parole semplici
Un ensemble combina le previsioni di più modelli. Se si decidono i pesi dei modelli dopo l'arrivo dei dati, valutare ogni possibile combinazione per ogni gruppo può richiedere di ricalcolare gli intervalli di previsione calibrati.
CALQA conserva un riepilogo di dimensione fissa per selezionare i pesi senza rileggere le righe dei dati; il riepilogo può anche essere unito ad altri e aggiornato quando si eliminano dati. I ricercatori hanno selezionato i candidati con CALQA e poi ricalcolato esattamente i migliori 100.
Su cinque panel pubblici di previsioni, il loro punteggio medio sui blocchi tenuti da parte era il 99.95% di quello della ricerca esatta, e la ricerca è stata più rapida in tutte le 34 famiglie esaminate.
La ricerca
Quando i pesi di un ensemble di previsioni vengono scelti dopo l'arrivo dei dati, la calibrazione esatta può richiedere di valutare di nuovo le righe dello stesso gruppo per ogni candidato.
Un riepilogo compatto può restringere una ricerca ampia, mantenendo gli intervalli calibrati della configurazione scelta vicini a quelli ottenuti con il ricalcolo esatto?
CALQA seleziona i pesi di un ensemble scelti dopo l'arrivo dei dati usando un riepilogo che si può unire ad altri, poi ricalcola esattamente i candidati migliori prima di scegliere la configurazione di previsione.
I ricercatori hanno sviluppato CALQA, un riepilogo che si può unire ad altri e seleziona i possibili pesi di un ensemble senza rileggere le righe di calibrazione.
Stima quanto ampliare gli intervalli di ogni candidato usando gli istogrammi memorizzati dei punteggi dei blocchi; i candidati migliori possono poi essere ricalcolati esattamente.
Nella ricerca sui panel pubblici, il ricalcolo esatto dei migliori 100 ha prodotto un punteggio block-Winkler medio sui blocchi tenuti da parte pari al 99.95% di quello della ricerca esatta.
Poiché la selezione ha ridotto il numero di candidati da ricalcolare sulle righe, la ricerca è stata più rapida in tutte le 34 famiglie esaminate.
I punteggi di ricerca molto vicini non stabiliscono che le previsioni selezionate raggiungano la copertura obiettivo quando vengono usate con i rispettivi ampliamenti esatti degli intervalli: la copertura media dei blocchi tenuti da parte era 0.84–0.90 per famiglia, sotto l'obiettivo di 0.9.
L'articolo raccomanda di ricalibrare la configurazione selezionata su blocchi tenuti da parte quando serve la copertura nominale.
Analisi
Dettagli
- Autori del paper originale
- Xiufeng Liu, Ruyu Liu, Yusen Liu, Huan Huo, Per Sieverts Nielsen
- Inviato ad arXiv
- Licenza
- arXiv non-exclusive