Regresja symboliczna to klasa algorytmów, która automatycznie przeszukuje przestrzeń możliwych funkcji matematycznych w poszukiwaniu modeli najlepiej pasujących do danych. W ostatnich latach metody te znacznie się rozwinęły, ale brakuje im jednego kluczowego elementu – zdolności do pomiaru niepewności swoich przewidywań. Innymi słowy, model może znaleźć równanie, ale trudno ocenić, jak bardzo można mu ufać.
W tradycyjnej analizie regresji kwantyfikacja niepewności jest standardową praktyką. Pozwala zidentyfikować, które predykcje są niezawodne, a które mogą być obarczone dużym błędem. To szczególnie ważne w rzeczywistych zastosowaniach – od prognozowania finansowego po diagnostykę medyczną. Brak takiej oceny prowadzi do nadmiernego dopasowania modeli do danych treningowych i utrudnia podejmowanie świadomych decyzji.
Nowy artykuł badaczy to pierwszy kompleksowy przegląd literatury na ten temat. Organizuje on istniejące podejścia do niepewności w regresji symbolicznej wokół trzech głównych kierunków: podejścia frequentystyczne (oparte na statystyce klasycznej), bayesowskie (uwzględniające wcześniejszą wiedzę) i metody selekcji modeli. Jednocześnie autorzy stwierdzają, że to pole badawcze pozostaje niedorozwinięte. Opracowanie bardziej niezawodnych metod kwantyfikacji niepewności dla regresji symbolicznej to kluczowy kierunek dla przyszłych badań, jeśli ta technika ma znaleźć szersze zastosowanie poza świtem akademickim.