ピンボールロス（Pinball loss）の解説
目次 1. ピンボールロス（Pinball loss）の概要 ＿＿1.1ピンボールロス（Pinball loss）とは ＿＿1.2ピンボールロスのロジック 2. 実験・コード ＿＿2.1 環境の準備 ＿＿2.2 データロード ＿＿2.3 モデル・結果作成 ＿＿2.4可視化・評価 3. まとめ 1. ピンボールロス（Pinball loss）の概要 1.1 ピンボールロス（Pinball loss）とは 分位点ロス（quantile loss） ピンボールロス関数または分位点ロス（quantile loss）、分位予測の学習する時に、使用される損失関数です。分位回帰は、偏りに強い回帰の種類になります。 予測される変数の平均を求める代わりに、分位点回帰では中央値と他の分位点を求めます。 τをターゲット分位数、yを実際の値、zを分位数予測とすると、ピンボール損失関数であるLτは次のように記述できます。 1.2ピンボールロスのロジック 「下記の図」ピンボールロス関数（赤）は、ピンボール上のボールの軌道の形状にちなんで名付けられました。 関数は常に正であり、ターゲットyから離れるほど、Lτ（y、z）の値は大きくなります。 傾斜は、分位数予測における望ましい不均衡を反映するために使用されます。 観測値から可能な限り近い予測を目標とする従来の予測とは異なり、分位点を予測するのに適した損失関数です。 上のグラフは、3つの異なる予測を示しています。 赤字は75％の分位数予測 黒字、平均の予測 緑色で、25％分位数予測 2. 実験・コード 環境：Google Colab データセット：scikit-learnのBoston house-prices (ボストン市の住宅価格) モデル：１）線形回帰（LinearRegression） ２）勾配ブースティング（Gradient Boosting） ３）分位点回帰（Quantile Regression） モデル評価：ピンボールロス（Pinball loss） 2.1 環境の準備 ライブラリのインポート …