To świeże spojrzenie na problematykę predykcji zostało opublikowane 5 września 2025 roku na arXiv przez zespół pod kierownictwem Taeho Kima z Lehigh University. Proponowana przez nowych specjalistów metoda, znana jako Liniowy Predyktor Maksymalnej Zgodności (w skrócie MALP), może znaleźć zastosowanie w medycynie, naukach społecznych i innych dziedzinach, gdzie precyzyjne prognozowanie ma kluczowe znaczenie.
Czym różni się MALP od tradycyjnych metod?
Podstawowa różnica między MALP a konwencjonalnymi metodami polega na zupełnie innym podejściu do oceny jakości prognoz. Podczas gdy popularna metoda najmniejszych kwadratów koncentruje się na minimalizowaniu średnich błędów, MALP optymalizuje Współczynnik Zgodności Korelacji, aby maksymalizować zgodność między przewidywaniami a rzeczywistymi wynikami. Tego typu pozornie subtelna zmiana perspektywy może mieć fundamentalne znaczenie w praktycznych zastosowaniach.
Czasami nie chcemy tylko tego, aby nasze prognozy były blisko – chcemy, aby miały najwyższą zgodność z wartościami rzeczywistymi – Taeho Kim z Lehigh University.
Współczynnik Zgodności Korelacji mierzy, jak dobrze punkty danych układają się wzdłuż linii 45 stopni na wykresie rozrzutu, co stanowi połączenie precyzji i dokładności w jednej mierze. Warto tutaj wrócić do tradycyjnego współczynniku korelacji Pearsona, który jest powszechnie stosowany, ale posiada istotne ograniczenie. Ocenia on siłę i kierunek zależności liniowej, ale nie mierzy konkretnie wyrównania danych z linią 45 stopni. MALP wypełnia tę lukę, wykorzystując współczynnik wprowadzony przez Lina w 1989 roku, który koncentruje się właśnie na tym aspekcie.
Czytaj też: Polska myśl techniczna w magazynach. Nasi rodacy rozwiązali największy problem robotyki
Zespół przetestował nową metodę na rzeczywistych danych medycznych, porównując wyniki z urządzeń Stratus OCT i Cirrus OCT służących do skanowania oka, oraz na zbiorze danych dotyczących pomiarów tkanki tłuszczowej od 252 dorosłych osób. Wyniki pokazały interesujący kompromis: MALP dostarczał przewidywania bardziej zgodne z rzeczywistymi wartościami, podczas gdy metoda najmniejszych kwadratów osiągała nieco mniejsze średnie błędy.
MALP nie jest idealny do wszystkiego
Wybór między MALP a tradycyjnymi metodami zależy od konkretnych potrzeb i celów analizy. Jeśli priorytetem jest minimalizacja błędu (na przykład przy prognozowaniu kosztów czy zużycia materiałów), to klasyczne metody wciąż sprawdzają się doskonale. Jednak w sytuacjach, gdzie kluczowa jest zgodność, a to szczególnie w medycynie czy naukach społecznych, MALP może okazać się bardziej odpowiednim rozwiązaniem.
Czytaj też: Metale, które nie zachowują się jak metale. Niemożliwe stało się faktem w laboratorium w Teksasie
Badacze nie zamierzają poprzestać na dotychczasowych osiągnięciach. Kim zapowiada, że kolejnym krokiem jest rozszerzenie MALP poza predyktory liniowe, bo obecna wersja działa właśnie w ich klasie, co jest wystarczająco szerokie dla wielu praktycznych zastosowań, ale matematycznie wciąż ograniczone. Teraz celem specjalistów jest stworzenie ogólnego Predyktora Maksymalnej Zgodności, który będzie funkcjonował w szerszej klasie funkcji predykcyjnych.
Czytaj też: Honda rzuca wyzwanie elektrycznej rewolucji. Nowy silnik V6 połączy moc z ekonomią jakiej nie widzieliśmy
Nowa metoda budzi zainteresowanie, choć MALP nie zastąpi tradycyjnych podejść, ale raczej wzbogaci zestaw narzędzi dostępnych dla analityków i badaczy. Jego prawdziwa wartość ujawni się dopiero w kolejnych badaniach i praktycznych implementacjach.