В чем может быть проблема quantile loss

Quantile loss используется в регрессии для предсказания квантилей, а не среднего значения. Основные проблемы:

1. Вычислительная сложность - оптимизация негладкой функции требует специальных методов (например, линейного программирования).
2. Чувствительность к шумам - особенно на крайних квантилях (0.1, 0.9), где выбросы сильно влияют на оценку.
3. Неустойчивость при малых данных - квантили плохо оцениваются на маленьких выборках.

Пример в Python:

from sklearn.ensemble import GradientBoostingRegressor

# Для квантиля 0.9
model = GradientBoostingRegressor(loss='quantile', alpha=0.9)
model.fit(X_train, y_train)

Лучше работает с бустингом, чем с линейными моделями. Для стабильности стоит увеличивать размер выборки и использовать регуляризацию.