预测房价只报“300万元”，并不告诉你这个数有多靠得住。nnetsauce 的 QuantileRegressor 想给任何兼容 sklearn、具备 .fit() 和 .predict() 接口的回归器补上预测区间——也就是未来单个结果可能落入的范围。它保留原模型的点预测，再围绕这个中心优化偏移量，用分位数损失确定上下界；使用者可从 predictions、residuals、conformal、studentized 和 conformal-studentized 五种计算策略中选择。
真正值得看的不是“接口统一”，而是区间是否言而有信。作者用 BayesianRidge 在 sklearn 的 diabetes 数据集上测试 residuals 策略：目标覆盖率设为95%，测试集的实际覆盖率为94.7%。覆盖率指真实结果落入预测区间的比例；长期接近标称值，区间才算可信。这次结果很接近目标，但材料只展示了一个数据集和一次划分，尚不足以证明它对任意回归器都稳定有效。R 版也不是独立实现，而是通过 reticulate 调用同一个 Python 对象。