03.2.9
Loss pinball
Ringkasan
- Loss pinball mengukur sejauh mana prediksi kuantil meleset di atas atau di bawah target secara asimetris.
- Hitung metrik ini di Python untuk model kuantil dan perhatikan peran parameter \(\tau\).
- Pelajari penggunaannya pada peramalan permintaan dan manajemen risiko, serta tips menentukan kuantil.
1. Definisi #
Untuk kuantil \(\tau\):
$$ L_\tau(y, \hat{y}) = \begin{cases} \tau (y - \hat{y}) & \text{jika } y \ge \hat{y} \\ (1 - \tau)(\hat{y} - y) & \text{lainnya} \end{cases} $$Prediksi di bawah kuantil dihukum \(\tau\) kali selisih; prediksi di atas dihukum \(1-\tau\) kali selisih.
2. Implementasi di Python #
| |
Set alpha ke kuantil yang diinginkan. Gunakan bersama model regresi kuantil (contoh: GradientBoostingRegressor dengan loss="quantile").
3. Interpretasi #
- Semakin kecil semakin baik: prediksi kuantil sempurna menghasilkan loss nol.
- \(\tau = 0.5\) identik dengan MAE.
- Asimetris: memungkinkan kontrol penalti untuk over/under-forecast dengan menyesuaikan \(\tau\).
4. Penerapan praktis #
- Interval permintaan: nilai kuantil 0.9 untuk menentukan stok pengaman.
- Manajemen risiko: Value at Risk dan ukuran risiko lainnya bergantung pada evaluasi kuantil.
- Forecast beban energi: latih model kuantil atas/bawah, lalu nilai memakai loss pinball.
5. Tips #
- Melatih model per kuantil bisa mahal; pertimbangkan library yang mendukung multi-kuantil (LightGBM, CatBoost).
- Kuantil ekstrem (mendekati 0 atau 1) membutuhkan banyak data agar stabil.
- Kombinasikan loss pinball dengan metrik cakupan seperti PICP untuk menilai akurasi dan cakupan interval sekaligus.
Ringkasan #
- Loss pinball adalah metrik utama regresi kuantil, memungkinkan kontrol galat yang asimetris.
mean_pinball_lossmempermudah evaluasi; pilih \(\tau\) sesuai toleransi risiko.- Untuk ramalan interval, padukan loss pinball dengan metrik cakupan agar penilaian kinerja lebih lengkap.