用 AI 算分位数回归：预测八和预测十，为什么都能拿到最低损失
给服务耗时做预测时，低估与高估的影响可能不同。分位数回归通过不对称损失表达这种取舍。可把问题缩小成“所有记录都报同一个数”：即便数据固定，最小损失也未必只有一个预测值。让AI交出整段斜率，比只交一个百分位数更有解释力。
AI模型生成的概念插图：两侧不同斜率表示不对称惩罚；没有精确坐标，不是正文数据图、训练曲线或软件截图。
先声明残差的方向
五个虚构耗时为[1,2,3,8,10]，暂不考虑输入特征，统一预测q。设分位水平τ=0.8，残差定义为真实值y减预测q。若低估，即y大于q，损失为0.8×(y-q)；若高估，则为0.2×(q-y)。相同绝对误差下，低估代价是高估的4倍。
这个定义叫pinball损失。本文先算五项总和，不额外加入正则项。若要与mean_pinball_loss比较，再除以样本数5；统一除法不会改变本例的最优q，但会改变日志数值。τ表示所拟合的分位水平，不是某一次预测正确的概率。
把候选值逐项代入
先取q=3，五项损失为[0.4,0.2,0,4,5.6]，总和10.2。取q=8时，五项变成[1.4,1.2,1,0,1.6]，总和5.2。把预测再抬到9，得到[1.6,1.4,1.2,0.2,0.8]，总和仍为5.2。
取q=10时，五项为[1.8,1.6,1.4,0.4,0]，又是5.2。单靠三个候选相等，还不能证明中间全部相等，更不能证明没有更好的候选。下一步要看预测移动一点，各项如何增减。
四个高估项正好抵消一个低估项
当q严格位于8与10之间，前四个观测都低于q。q每增加1，它们各增加0.2损失，合计增加0.8；最后一个观测仍高于q，损失减少0.8。因此总斜率为4×0.2-1×0.8=0，整个区间的总损失都不变。
当q在3与8之间，只有前三个观测被高估，另外两个被低估，总斜率为3×0.2-2×0.8=-1，向右移动会降低损失。q超过10后，五项都被高估，总斜率为5×0.2=1，再往右反而增加。结合连续性，最优集合正是闭区间[8,10]。
程序用分数算术核对全部候选值，并对每对相邻观测之间计算斜率，避免浮点误差把平台误报成轻微上升。也可检查q=7和q=11，两边的总损失都是6.2，均高于最小值5.2。
分位数约定与预测保证分开处理
数据软件可能按不同分位数约定，在这段最优集合里选择8、某个插值值或其他代表点。得到不同数字时，应先比较目标函数、插值定义与正则项，不能仅凭结果不等就判定某个实现错误。一般经验分位数问题允许这样的非唯一性。
真实分位数回归会让q随输入变化；本例只是常数模型的完整推导。拟合τ=0.8不自动保证未来每种输入都恰好有八成观测低于预测，数据漂移与模型限制仍需检查。也不要把它直接当作已校准的预测区间，区间覆盖是需要另外评估的问题。
资料核对日期：2026年10月2日。算例为原创教学设定，已用独立程序复核，未进行真实模型训练或效果测试。
