Un científico de datos evalúa un modelo GluonTS DeepAR y encuentra puntuaciones de cobertura de 0.489 en el cuantil 0.5 y 0.889 en el cuantil 0.9 en el conjunto de prueba. ¿Cuál es una conclusión razonable sobre la calibración de la previsión distribucional?

La calibración de la previsión distribucional se evalúa comparando la puntuación de cobertura observada con el nivel del cuantil. Para un modelo bien calibrado, la puntuación de cobertura debe ser aproximadamente igual al nivel del cuantil correspondiente. En este caso, una puntuación de cobertura de 0.489 en el cuantil 0.5 y 0.889 en el cuantil 0.9 indica una buena calibración, ya que 0.489 está cerca de 0.5 y 0.889 está cerca de 0.9. Las opciones incorrectas describen interpretaciones erróneas de la calibración: las puntuaciones no deben ser iguales en todos los cuantiles, ni deben alcanzar su punto máximo en la mediana y ser más bajas en las colas, ni deben estar siempre por debajo del valor del cuantil.