问题：如何做到对目标值的区间范围的预测
使用神经网络做回归任务，我们使用MSE、MAE作为损失函数，最终得到的输出y通常会被近似为y的期望值，例如有两个样本：(x=1, y=3)和(x=1, y=2)，那只用这两个样本训练模型，预测x=1时y的值就是2.5。
但有些情况下目标值y的空间可能会比较大，只预测一个期望值并不能帮助我们做进一步的决策。我们想知道x=1时，y的值最小会是多少，最大会是多少，使用MSE、MAE这些损失函数来构建预测输出区间模型时候，往往需要对样本进行非常复杂的处理才能达到目的，而且因为数据的预处理需要加入很强的先验信息，建模效果肯定会打折扣，再一个如果数据规模比较大，那将会在数据预处理上浪费大量的时间。
这里介绍一个特殊的损失函数——分位数损失，利用分位数损失我们不需要对数据进行任何先验的处理，就可以轻松做到预测输出y的某一分位数水平值，例如5%分位数或95%分位数，利用这个输出很自然就完成预测输出范围的回归模型。
分位数损失函数的表达式如下图：
其中γ是损失函数的参数，从实际意义上可以理解为是我们需要的分位数，这个损失函数从结构上看，就是以一定的概率γ惩罚预测值大于实际值，同时鼓励预测值小于实际值，这样的效果就是学得了目标y的γ分位数期望值。对于分位数损失函数的具体应用可以参考下边的例子。
我们这里以波士顿房价数据集为例理解一下分位数损失函数的效果。
首先加载数据并进行分割，另外为了可视化方便，我们将x_test进行PCA降维并排序：
boston_data = load_boston()
x = boston_data['data']
y = boston_data['target']
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=77)
# PCA对数据进行降维处理，方便可视化
pca = PCA(n_components=1)
x_test_after_pca = pca.fit_transform(x_test, y_test)
# 对数据进行排序
x_sort_id = np.argsort(x_test, axis=None)
x_test = x_test[x_sort_id]
y_test = y_test[x_sort_id]
x_for_visual = x_test_after_pca[x_sort_id]
第二步就是损失函数的定义，在keras中没有分位数函数的定义，可以根据公式来进行定义：
def quantile_loss(y_pred, y_true, r=0.5):
greater_mask = K.cast((y_true <= y_pred), 'float32')
smaller_mask = K.cast((y_true > y_pred), 'float32')
return K.sum((r-1)*K.abs(smaller_mask*(y_true-y_pred)), -1)+K.sum(r*K.abs(greater_mask*(y_true-y_pred)), -1)
还有一种更简洁的定义方式可以参考这里:
def tilted_loss(q, y_true, y_pred):
e = (y_true-y_pred)
return K.mean(K.maximum(q*e, (q-1)*e), axis=-1)
构建一个最简单的模型：
def gen_model(ipt_dim):
l1 = Input(shape=(ipt_dim,))
l2 = Dense(10, activation='relu', kernel_initializer=glorot_normal(), bias_initializer=zeros())(l1)
l3 = Dense(5, activation='relu', kernel_initializer=glorot_normal(), bias_initializer=zeros())(l2)
l4 = Dense(1, activation='relu', kernel_initializer=glorot_normal(), bias_initializer=zeros())(l3)
m_model = Model(inputs=l1, outputs=l4)
return m_model
调用模型，并且对结果进行可视化：
plt.figure()
plt.scatter(x_for_visual, y_test, label='actual')
q_list = [0.1, 0.5, 0.9]
for quantile in q_list:
model = gen_model(in_dims)
model.compile(loss=lambda y_t, y_p: tilted_loss(quantile, y_t, y_p), optimizer='adam')
model.fit(x_train, y_train, epochs=5, batch_size=8, verbose=1)
y_ = model.predict(x_test)
plt.plot(x_for_visual, y_, label=quantile)
plt.legend()
plt.show()
可视化的最终结果如下图，我们可以看到学习到的三个档位的分位数回归模型。其中0.5的与普通MAE回归结果是等价的，只不过0.5预测的是中位数而MAE预测的是期望值；0.1和0.9的两条曲线可以作为预测结果的上下界，能够包含其中80%的数据结果，如果我们追求更高的区间置信度，可以选择更低的下界分位数和更高的上界分位数。
总结
- 在回归任务中，我们可以轻松构建能够预测输出值范围的模型，并且不依赖对数据的先验处理，是一种非常高效的方法；
- 分位数损失函数的实现，推荐使用文中的第二种方法，涉及的计算步骤更少，效率更高；
- 分位数损失函数与MAE损失类似，是一种线性的损失函数，在loss在0附近的区间内同样存在导数不连续的问题，如果能有简单的方法可以规避这个缺点，则会更加好用。
