Punktprediktioner

Punktprediktioner är förväntade eller bästa enskilda värden som används som prognos för en framtida observation. I statistik och maskininlärning är en punktprediktion ett enkelt numeriskt värde som avser Y givet tillgänglig information X, till exempel tidigare data eller kända modellparametrar.

Teoretiskt grundar sig punktprediktioner ofta i målet att minimera förlusten mellan det faktiska utfallet Y och det predikterade värdet. Vid kvadratskadad förlust blir den optimala punktprediktionen E[Y|X], det vill säga det villkorliga medelvärdet. Vid absolut förlust blir den optimala prediktionen medianen E[Y|X]. I praktiken används olika prediktionsfunktioner g(X) som tränas för att approximate detta optimala värde.

Vanliga metoder för punktprediktioner inkluderar parametrisk regression som linjär regression och generalized linear models, regulariseringstekniker som ridge och lasso, samt icke-parametriska och maskininlärningsbaserade metoder som k-nearest neighbors, kernelregression, random forest och gradient boosting. Inom tidsserier används ofta modeller som ARIMA för att generera punktprediktioner av framtida observationer. Ofta kombineras olika metoder och domänspecifik kunskap för att förbättra noggrannheten.

Utvärdering av punktprediktioner sker vanligtvis med mått som RMSE eller MAE på out-of-sample data, ofta genom korsvalidering. Det är viktigt att skilja mellan punktprediktion och intervallprediktion: en enskild punkt ger inte något kvantitativt mått på osäkerhet utan måste kompletteras med prognosintervall eller andra osäkerhetsmått för att beskriva ojämlikheter i prediktionen. Används inom många områden, som ekonomi, meteorologi och teknik.