Науковці розробили найточнішу систему прогнозування майбутнього за допомогою математики

Міжнародна команда математиків під керівництвом професора Техо Кіма з Лігайського університету розробила новий метод прогнозування, який дозволяє точніше узгоджувати передбачені значення з реальними даними. Підхід отримав назву Max­i­mum Agree­ment Lin­ear Pre­dic­tor (MALP) і базується на оптимізації коефіцієнта конкордації (Con­cor­dance Cor­re­la­tion Coef­fi­cient, CCC). Цей показник оцінює, наскільки пари точок на діаграмі розсіювання розташовані уздовж лінії рівності, тобто наскільки точно передбачення збігаються з фактичними результатами.

На відміну від методу найменших квадратів, який мінімізує середню похибку, MALP орієнтований на досягнення максимальної відповідності між прогнозом і спостереженням. За словами професора Кіма, іноді важливо не просто зменшити помилку, а забезпечити найвищу узгодженість. Коефіцієнт конкордації, на відміну від коефіцієнта кореляції Пірсона, враховує не лише зв’язок між змінними, а й систематичні відмінності між ними.

Новий метод був протестований на комп’ютерних симуляціях і реальних даних. Зокрема, його застосували для аналізу офтальмологічних знімків, порівнюючи показники двох пристроїв оптичної когерентної томографії — Stra­tus OCT і Cir­rus OCT. Оскільки медичні заклади переходять на новішу систему Cir­rus, дослідники прагнули забезпечити узгодженість вимірювань. MALP показав кращу відповідність фактичним даним, тоді як метод найменших квадратів мав меншу середню похибку.

Команда також використала MALP для аналізу даних про жирову масу 252 дорослих. Як і у випадку з томографією, новий метод забезпечив тіснішу відповідність між прогнозами та реальними значеннями. Водночас класичний підхід знову продемонстрував трохи нижчу середню помилку. Дослідники наголошують, що вибір методу залежить від мети: якщо важлива мінімізація похибки — варто використовувати традиційні інструменти, якщо ж головне — узгодженість, MALP буде ефективнішим.

За словами професора Кіма, результати дослідження можуть бути корисними для медицини, біології, економіки та інженерії. Команда планує розширити метод за межі лінійних моделей, створивши загальніший підхід — Max­i­mum Agree­ment Pre­dic­tor. Це дозволить застосовувати принцип максимальної узгодженості до складніших, нелінійних систем прогнозування.