Un scientifique des données évalue un modèle GluonTS DeepAR et trouve des scores de couverture de 0,489 au quantile 0,5 et de 0,889 au quantile 0,9 sur l'ensemble de test. Quelle est une conclusion raisonnable concernant la calibration de la prévision distributionnelle ?

La calibration d'une prévision distributionnelle est considérée comme bonne lorsque le score de couverture pour un quantile donné est approximativement égal à la valeur de ce quantile. Dans cet exemple, un score de couverture de 0,489 pour le quantile 0,5 est très proche de 0,5, et 0,889 pour le quantile 0,9 est très proche de 0,9. Cela indique que le modèle est bien calibré, car il prédit avec précision la probabilité qu'une observation réelle tombe en dessous d'un certain quantile. Les autres options sont incorrectes car elles décrivent des interprétations erronées de la calibration des prévisions distributionnelles. Les scores de couverture ne devraient pas être égaux à travers les quantiles, ni culminer à la médiane ou être toujours inférieurs à la valeur du quantile.