Как рассчитать доверительный интервал для прогнозов со случайным лесом? ⇐ Python

[Anonymous]

Я рассчитываю прогноз (будущий результат данных) переменной под названием «спот». Я использую случайный лес с другой переменной, называемой «DTCI», в качестве функции. Прогноз делается с ежемесячной частотой, которая совпадает с периодичностью данных. Я хочу получить доверительный интервал для каждого прогнозируемого месяца на основе верхних и нижних границ для каждого месяца. Как я могу сделать это со случайным лесом? Существует ли функция, аналогичная функции «conf_int»?
Мне нужно что-то похожее на зеленую часть графика ниже.
Предсказание с уверенностью интервал


Мои данные и код следующие:
Данные
[img]https://i.sstatic .net/MTAy5pBW.png[/img]

df_reduz = df.iloc[:, :-1][24:]
df_int = pd.merge(df_reduz, df_spot, on='Data')

target = "% SPOT"
X = df_int['DTCI']
y=df_int[target]

X_train = pd.DataFrame(X[:-1])
X_test = pd.DataFrame(X[-1:])
y_train = pd.DataFrame(y[:-1])
y_test = pd.DataFrame(y[-1:])

X_fore = pd.DataFrame(forecast_medio)

modelo = RandomForestRegressor(criterion="squared_error", max_depth=8, min_weight_fraction_leaf=0.01, max_leaf_nodes=15, min_impurity_decrease=0.0005)

modelo.fit(X_train, y_train)

y_hat_train = modelo.predict(X_train)
y_hat_test = modelo.predict(X_test)
y_hat_val = (np.concatenate((y_hat_train, y_hat_test), axis=0))
y_hat_fore_spot = modelo.predict(X_fore)

mape = mean_absolute_percentage_error(df_int[target].values,y_hat_val)

Я пытался построить интервалы с помощью GradientBoostingRegressor, но он дал мне постоянные интервалы, что не имеет смысла. Поскольку прогноз становится хуже по мере продвижения прогноза в будущее.
from sklearn.ensemble import GradientBoostingRegressor

LOWER_ALPHA = 0.1
UPPER_ALPHA = 0.9

lower_model = GradientBoostingRegressor(loss="quantile", alpha=LOWER_ALPHA)
upper_model = GradientBoostingRegressor(loss="quantile", alpha=UPPER_ALPHA)


Подробнее здесь: https://stackoverflow.com/questions/785 ... dom-forest