論文の概要: Accurate prediction is not profitable advice: profit-based evaluation of machine learning nitrogen recommendations in winter wheat
- arxiv url: http://arxiv.org/abs/2608.27205v2
- Date: Fri, 28 Aug 2026 11:21:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-31 15:11:36.102351
- Title: Accurate prediction is not profitable advice: profit-based evaluation of machine learning nitrogen recommendations in winter wheat
- Title（参考訳）: 正確な予測は有益ではない:冬期コムギにおける機械学習窒素推奨の利益に基づく評価
- Abstract要約: 冬の小麦の窒素濃度は、季節前には、未知の価格と天候の下で設定されている。
標準的な英国の助言は価格に反応しないが、最近の価格変動は1ヘクタール当たりの利益率を数十キロに引き下げた。
私たちの洞察は、測定された収量反応曲線で予測される利益によって、窒素アドバイスを直接スコアすることです。
- 参考スコア（独自算出の注目度）: 5.535444757274565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nitrogen rates for winter wheat are set before the season, under unknown prices and weather. The standard UK advice does not respond to prices, yet recent price swings moved the most profitable rate by tens of kilograms per hectare. Machine learning is often proposed as the fix. However, it is usually judged on prediction accuracy, and accurate prediction does not by itself make the recommended rate more profitable. Our insight is to score nitrogen advice directly by the profit it forgoes on measured yield response curves. We build a test bench on 892 such curves from two long running UK experiments, and sweep the nitrogen to grain price ratio to cover all price scenarios. On this bench, machine learning fails as a predictor. No model recovers the best rate within farm tolerance, and the benchmark noise shows none can. At normal prices, every model also loses to the standard advice on profit. The gain sits elsewhere. A simple correction step applied after the model cuts profit losses by a quarter, while better models and extra features give no gain. The same frozen correction cuts losses by 43% at the second site without any retraining. A hybrid of standard advice plus a damped correction removes bias and trims rare large losses. The same price sweep also prices emission cuts, at a cost comparable to current carbon prices. Machine learning therefore pays as a profit scored correction to standard advice, not as its replacement.
- Abstract（参考訳）: 冬の小麦の窒素濃度は、季節前には、未知の価格と天候の下で設定されている。
標準的な英国の助言は価格に反応しないが、最近の価格変動は1ヘクタール当たりの利益率を数十キロに引き下げた。
機械学習はその修正としてしばしば提案される。
しかし、通常は予測精度に基づいて判断され、正確な予測はそれ自体が推奨レートをより利益を上げるものではない。
私たちの洞察は、測定された収量反応曲線で予測される利益によって、窒素アドバイスを直接スコアすることです。
我々は、長いイギリスの2つの実験から得られた852の曲線にテストベンチを構築し、すべての価格シナリオをカバーするために、窒素と穀物の価格比を掃除します。
このベンチでは、機械学習は予測器として失敗する。
ファームトレランスの中で最高のレートを回復するモデルはなく、ベンチマークノイズは不可能であることを示している。
通常の価格では、すべてのモデルは利益に関する標準的なアドバイスに負ける。
利得は他にあります。
モデルが利益を4分の1削減した後の単純な修正ステップでは、より良いモデルと追加機能では利益が得られない。
同じ凍結補正は、再トレーニングなしで2番目の場所での損失を43%削減する。
標準アドバイスと減衰補正のハイブリッドはバイアスを取り除き、稀な大きな損失を減らします。
同じ価格で、現在の炭素価格に匹敵するコストで、排出削減の価格も引き下げられた。
したがって、機械学習は、その代替としてではなく、標準的なアドバイスを正当に補正する利益として支払われる。
関連論文リスト
- When do prophets profit in prediction markets? [26.557660121922808]
正しい賭けは、正確性を確実に利益に変換する唯一の戦略であることを示す。
カルシでの1ヶ月のライブ配信は、シャープ比が3.35ドルで、投資に対して+80.33%$リターンを達成した。
論文 参考訳（メタデータ） (2026-07-07T11:41:46Z) - Bandit Convex Optimization with Gradient Prediction Adaptivity [56.816177049016794]
本研究では, 楽観的な勾配予測が, 最悪の後悔の保証を予測順応的に改善できるかどうかを考察する。
鍵となるアイデアは、分散が勾配ノルムではなく予測誤差でスケールする、新しい分散還元勾配推定器である。
我々は、$(sqrtmathbbE[S_T])$としてスケールする情報理論の下限を確立し、最も達成可能な予測適応的後悔の基本的な特徴を提供する。
論文 参考訳（メタデータ） (2026-05-21T08:57:38Z) - The Price Reversal Phenomenon: When Cheaper Reasoning Models End Up Costing More [76.93600828673503]
リストAPIの価格設定は、実際のコストに対する信頼性の低いプロキシである。
思考トークンのコストの削減は、ランキングの反転を70%削減します。
この結果から,コスト意識モデル選択と透過的な要求毎のコスト監視の必要性が示唆された。
論文 参考訳（メタデータ） (2026-03-25T06:07:39Z) - Calibeating Made Simple [75.91049650502048]
カリビートは後悔と同等の極小値であることを示す。
また、マルチカリービートは、カリビートと古典的専門家問題の組み合わせと等価であることを示す。
2値予測では, 同時に最適校正率も達成できる最初の校正アルゴリズムが得られた。
論文 参考訳（メタデータ） (2026-03-23T16:28:07Z) - Decision from Suboptimal Classifiers: Excess Risk Pre- and Post-Calibration [52.70324949884702]
バッチ二分決定における近似的後続確率を用いた余剰リスクの定量化を行う。
我々は、再校正のみが後悔のほとんどに対処する体制と、後悔が集団的損失に支配される体制を識別する。
NLP実験では、これらの量によって、より高度なポストトレーニングの期待値が運用コストに値するかどうかが分かる。
論文 参考訳（メタデータ） (2025-03-23T10:52:36Z) - Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。
適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
論文 参考訳（メタデータ） (2024-05-24T11:22:19Z) - Combining predictive distributions of electricity prices: Does
minimizing the CRPS lead to optimal decisions in day-ahead bidding? [0.0]
本研究では,新しい重み付け手法であるCRPS学習を用いることで,日頭入札における最適決定が導かれるかどうかを検討する。
アンサンブルの多様性の増大は精度に肯定的な影響を与える可能性がある。
分布の等重集約と比較してCRPS学習を使用する場合の計算コストは、高い利益によって相殺されない。
論文 参考訳（メタデータ） (2023-08-29T17:10:38Z) - A Regret-Variance Trade-Off in Online Learning [14.41667013062914]
予測の分散が学習にどのように活用できるかを示す。
損失の減少を伴うオンライン予測では, 後悔に対する汚職の影響は大きなばらつきによって補うことができることを示す。
我々はその結果をオンライン線形回帰の設定にまで拡張する。
論文 参考訳（メタデータ） (2022-06-06T14:50:19Z) - Multivariate Probabilistic Forecasting of Intraday Electricity Prices
using Normalizing Flows [62.997667081978825]
ドイツでは、日内電気価格は通常、EPEXスポット市場の1日当たりの価格に異なる時間帯で変動する。
本研究は,日頭契約の日内価格差をモデル化する確率論的モデリング手法を提案する。
論文 参考訳（メタデータ） (2022-05-27T08:38:20Z) - Autoencoder based Hybrid Multi-Task Predictor Network for Daily
Open-High-Low-Close Prices Prediction of Indian Stocks [10.377424252002792]
マルチタスク予測ネットワークの前に,事前学習したエンコーダをカスケードする新しいフレームワークを提案する。
このようなネットワークは、株価を予測するのにずっと効率的であると考えられる。
論文 参考訳（メタデータ） (2022-04-28T11:42:20Z) - Stock Price Prediction Under Anomalous Circumstances [81.37657557441649]
本稿では,異常な状況下での株価の変動パターンを捉えることを目的とする。
ARIMAとLSTMのモデルは、シングルストックレベル、業界レベル、一般市場レベルでトレーニングします。
2016年から2020年にかけての100社の株価に基づいて、平均予測精度は98%に達した。
論文 参考訳（メタデータ） (2021-09-14T18:50:38Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。