Міжнародна група математиків під керівництвом дослідників з Університету Лехай розробила новий метод прогнозування, що обіцяє значно підвищити точність моделей у медицині, біології та соціальних науках. Цей підхід, названий Максимальним Лінійним Предиктором Узгодженості (MALP), фокусується на максимізації відповідності між прогнозами та реальними результатами, а не лише на мінімізації середніх помилок. Нова методологія оптимізує Коефіцієнт Кореляції Узгодженості (CCC), що може змінити правила гри у предиктивному моделюванні.
Традиційні методи, як-от класичний метод найменших квадратів, зосереджені переважно на мінімізації середньої помилки. Хоча вони ефективні в багатьох сферах, ці підходи можуть бути недостатніми, коли головна мета – максимальна узгодженість, а не просто близькість до середнього значення.
Головний автор дослідження, асистент професора математики Університету Лехай Техо Кім, пояснює фундаментальну різницю.
Чому узгодженість відрізняється від кореляції
Часто поняття узгодженості плутають із коефіцієнтом кореляції Пірсона. Цей звичний показник корисний для оцінки сили лінійного зв’язку, але він не вимірює, наскільки добре дані вишиковуються вздовж ідеальної лінії 45 градусів на діаграмі розсіювання, де прогноз дорівнює фактичному результату.
“Іноді ми хочемо не просто, щоб наші прогнози були близькими – ми хочемо, щоб вони мали найвищу узгодженість із реальними значеннями”, – каже Кім. “Для цього ми використовуємо інший показник: коефіцієнт кореляції узгодженості (CCC), запроваджений Ліном у 1989 році. ... Ми розробили предиктор, призначений для максимізації узгодженості між прогнозованими та фактичними значеннями”.
Тестування MALP на реальних даних
Команда оцінила ефективність MALP за допомогою комп’ютерного моделювання та двох реальних наборів даних, щоб продемонструвати його практичну перевагу.
Перший тест стосувався офтальмологічного дослідження для порівняння двох пристроїв оптичної когерентної томографії (OCT) – старого Stratus та нового Cirrus. Оскільки клініки переходять на нові системи, лікарям потрібен надійний спосіб конвертації вимірювань для збереження послідовності даних пацієнтів. MALP показав кращу відповідність (узгодженість) вимірюванням Stratus на основі даних Cirrus.
Другий тест провели на даних про вимірювання жиру в організмі 252 дорослих. Точні методи, як-от підводне зважування, є дорогими. MALP використовував простіші вимірювання (вага, розмір живота) і знову продемонстрував вищу узгодженість із фактичними значеннями порівняно з методом найменших квадратів.
В обох випадках результати підкреслили важливий компроміс: MALP вигравав в узгодженості, тоді як традиційний метод давав дещо меншу середню помилку.
Ширше застосування та наступні кроки
Автори зазначають, що вибір методу залежить від мети проєкту. Якщо мінімізація середньої помилки є найважливішою, класичні методи все ще актуальні. Але якщо ключовим є повна відповідність прогнозу реальності, MALP є кращим вибором.
Висновки дослідження, опубліковані в статті “Maximum Agreement Linear Predictors” на arXiv, можуть мати значні наслідки для інструментів прогнозування в медицині, охороні здоров’я, економіці та інженерії.
Команда планує розвивати метод далі. “Наразі наші налаштування знаходяться в класі лінійних предикторів”, – підсумовує Кім. “Ми хочемо розширити це до загального класу... щоб він став Максимальним Предиктором Узгодженості (MAP)”.
