【ML】QuantileRegressor

从上面的图我们可以看出
左边（异方差正态分布的target）噪声的variance随着x的增大而增大。
右边（不对称帕累托分布的target）几乎没有什么正方向的residual。
这样两种使得使用LinearRegression变得不高效。如果是用linear regression的话，我们要么得增加更多stable的 data points，因为那些 large outliers 会对 拟合的系数有很大的影响。

(in a setting with constant variance, ordinary least squares estimators converge mush faster to the true coefficients with increasing sample size)

如果是一个不对称的target（严重skewed那种）median/different quantiles 可以给模型提供一些额外的信息。median estimation 对于这种分布类型的outlier会更加 robust。但要注意，extreme quantile也是基于各个点 estimate出来的。所以 它还是可能有一点outlier sensitive的。

---

ref：QuantileRegressor sklearn