Міжнародна команда математиків із Університету Лігай під керівництвом статистика Тейхо Кіма представила нову методику прогнозування, що обіцяє змінити підхід до моделювання даних у медицині, біології та соціальних науках. Як повідомляє Lehigh University, дослідники розробили інструмент під назвою Maximum Agreement Linear Predictor (MALP), який не просто зменшує помилки прогнозу, а й підвищує узгодженість між передбаченнями та реальними результатами, пише Kreschatic.
На відміну від класичних методів, що орієнтуються лише на середню точність, MALP оптимізує коефіцієнт узгодженості — Concordance Correlation Coefficient (CCC). Це дозволяє отримати більш стабільні та надійні результати, особливо в тих галузях, де навіть мінімальна різниця між прогнозом і фактом може вплинути на рішення — від медичної діагностики до економічного аналізу.
Як працює новий підхід MALP
Більшість традиційних методів, зокрема метод найменших квадратів, намагаються мінімізувати помилку прогнозу. MALP же фокусується на відповідності між двома наборами даних, щоб точки на графіку максимально наближалися до діагональної лінії, яка позначає ідеальну узгодженість.
Тейхо Кім пояснює: іноді важливо не лише бути «близьким до істини», а бути з нею в максимальній згоді. Йдеться про ситуації, коли прогноз має не просто передбачити тенденцію, а точно відтворити поведінку реальних показників — наприклад, під час порівняння результатів різних медичних пристроїв або моделей поведінки пацієнтів.
Тестування на реальних даних
Щоб перевірити ефективність MALP, команда використала дані офтальмологічного дослідження, де порівнювалися вимірювання двох пристроїв оптичної когерентної томографії — старішого Stratus OCT та нового Cirrus OCT. Клінікам потрібно було забезпечити узгодженість результатів, і саме MALP показав кращу здатність передбачати реальні значення Stratus на основі показників Cirrus.
Окрім цього, дослідники застосували метод до набору даних щодо вимірювання жирової маси тіла у 252 дорослих. Прогнозування на основі таких параметрів, як вага й об’єм живота, виявило, що MALP дає більш узгоджені результати порівняно зі звичайними методами, хоча ті трохи краще зменшують середню похибку. Це показало, що вибір методу залежить від мети — узгодженість чи мінімізація помилок.
Чому узгодженість важливіша за точність
На перший погляд, точність і узгодженість можуть здаватися синонімами, але це не так. Точність описує, наскільки близько прогноз до реального значення, тоді як узгодженість відображає стабільність взаємозв’язку між усіма парами даних. Якщо модель точна, але непослідовна, вона не може гарантувати надійних результатів у довгостроковій перспективі.
Саме тому MALP може стати новим стандартом у прогнозуванні, коли на перший план виходить не абсолютна точність, а гармонія між передбаченням і дійсністю. Цей підхід відкриває шлях до більш гнучких математичних моделей, здатних «мислити» ближче до людської логіки та контексту.
Майбутнє передбачень без обмежень
Команда Кіма планує розширити межі методу, вийшовши за рамки лінійних моделей. Їхня мета — створити Maximum Agreement Predictor без обмеження на лінійність, щоб передбачення могли відображати навіть найскладніші нелінійні процеси.
Такі алгоритми можуть змінити підхід до прогнозування не лише в науці, а й у бізнесі, медицині та державному управлінні. Вони допоможуть приймати рішення, що базуються не просто на даних, а на їхній повній відповідності реальності — коли кожен прогноз стає відображенням істинного стану речей.
Нагадаємо, раніше ми писали про те, чи справді штучний інтелект забирає робочі місця і як нові дослідження руйнують цей міф.
