通过结果条件再校准实现针对关注事件的校准概率预测

arXiv:2610.10076v1 公告类型：cross 摘要：校准是使概率预测能够用于决策的基本要求。尽管最先进的预测方法通常会产生校准不佳的预测分布，但已有多种事后再校准方案被提出，用于生成经过校准的预测。然而，流行的再校准方案可能会掩盖结果空间特定区域中的校准偏差。由于极端事件等特定结果往往对决策最为重要，因此当评估范围限制在这些结果上时，概率预测也应当经过校准。为此，本文提出结果条件再校准方法，这是一种事后方法，用于在用户定义的结果空间区域内对概率预测进行再校准。该方法简单、易于实现，并且适用于任意预测分布。其工作方式是：将 Kuleshov et al. (2018) 的分位数再校准方法应用于条件预测分布，然后对这些条件分布重新缩放，使预测事件概率与经验发生频率相匹配。由此得到的预测分布既有效又连续，并且在每个关注区域内都经过校准。在多个回归基准测试中，我们表明，当关注特定结果时，现有再校准方案不一定能产生经过校准的预测；与现有的条件和非条件再校准方法相比，我们的方法能够改善结果条件校准，同时整体校准性能仍具有竞争力。在日前电价预测应用中，该方法在预测负电价时显著改善了校准性能，而对预测准确率的影响几乎可以忽略不计。