名人名言



简体     繁體

名人名言佳句

名人作者分类 人才 人生 人格 人类 儿童 女人 工作 工业 友情 友谊 天才 心理 气质 失败 民主 民族 生活 企业 名誉 成功 自由 自然 行为 利益 志向 男人 言行 言谈 言谈方式 体育 事业 奉献 宗教 法律 社交 社会 金钱 青年 青春 信仰 保健 品格 思想 政治 流言蜚语 科技 科学 美丑 修养 家庭 真理 健身 婚姻 情感 教育 理想 理财 富裕 智慧 善良 善恶 集体 勤奋 愚蠢 道德 愿望 管理 管理目标 个性 乡愁 军事 农业 创新 动物 劳动 历史 历史研究 团结 国家 处事 奖赏 妇女 娱乐 学习 实践 时间 爱情 经营 聪明 艺术 节约 语言 语言思想 语言艺术 读书 谦虚 贫穷 进步 风度 骄傲

保形推断 - Tan Jay | 唐 洁 Conformal Inference（保形推断）是一种非参数的统计方法，用于为预测模型生成具有严格概率保证的预测区间或集合。 其核心目标是在不依赖数据分布假设的情况下，确保新观测值的真实结果以预定概率（如95%）落入预测范围内。 以下是其关键要点： 覆盖概率保证：无论数据分布如何，Conformal Inference生成的预测区间能以指定的置信水平（如1-α）覆盖真实值，适用于有限样本且无需渐近近似。 非参数与模型无关：不假设数据分布或模型结构，适用于任何预测模型（如线性回归、神经网络等），尤其适合复杂机器学习模型的不确定性量化。 划分数据：将数据集分为训练集和校准集。 训练模型：使用训练集训练模型。 计算非合群分数（Nonconformity Score）：衡量预测与实际值的差异。 【不确定性量化、保形预测】保形预测简介无分布不确定度量化 我们将引导读者了解保形预测的实际理论和示例，并描述其扩展到复杂的机器学习任务，包括结构化输出、分布移位、时间序列、异常值、弃权模型等。 在整个过程中，有许多解释性的插图、示例和Python代码示例。 共形预测和无分布不确定性量化简介_conformal prediction . . . 我们可以使用任何预先训练的模型（如神经网络）进行共形预测，以产生保证包含用户指定概率（如90%）的地面真值的集合。 它易于理解，易于使用和通用，自然适用于计算机视觉，自然语言处理，深度强化学习等领域出现的问题。 这本实践性介绍旨在通过一篇自成一体的文章，让读者对共形预测和相关的无分布不确定性量化技术有一个工作上的了解。 我们将带领读者学习共形预测的实用理论和示例，并介绍其在复杂机器学习任务中的扩展，包括结构化输出、分布偏移、时间序列、异常值、弃权模型等。 全书使用 Python 编写了大量解释性插图、示例和代码示例。 每个代码示例都附有一个在真实数据示例中实现该方法的 Jupyter 笔记本；点击以下图标即可访问并轻松运行这些笔记本： 保形预测 - Nixtla - TimeGPT 时序预测模型 因此，使用保形预测来生成预测区间是有意义的。 我们还将展示如何将其与 ARIMA 一起使用，以提供不假设正态性的预测区间。 要使用这些模型，我们首先需要从 statsforecast models 导入它们，然后进行实例化。 保形预测 vs 传统方法：为什么你的模型需要无分布不确定性 . . . 近年来，一种名为 保形预测 的框架正悄然改变着不确定性量化的游戏规则。 它的核心魅力在于其 无分布有效性：无需对数据生成过程做任何假设，也无需模型本身具备概率输出能力，它就能为任何“黑箱”模型的预测，附加上具有严格统计保证的不确定性区间。 StatsForecast项目中的预测区间与保形预测技术解析 . . . StatsForecast作为一款强大的预测工具，提供了两种主要的预测区间生成方式：模型原生预测区间和保形预测 (Conformal Prediction)区间。 本文将深入剖析这两种技术的实现原理、使用场景以及最佳实践。 模型原生预测区间机制 保形分位数回归（CQR） - 知乎 简介 保形预测 是一种构造在有限样本中获得有效覆盖的预测区间的技术，无需进行分布假设。 尽管有这种吸引力，但现有的保形方法可能是不必要的保守，因为它们在输入空间中形成恒定或弱变化长度的区间。 本文提出了一种完全适应异方差的新方法。 回归的无分布预测推理 - 技术栈 我们利用保形推理，开发了回归中无分布预测推理的一般框架。 所提出的方法允许使用回归函数的任何估计量构建响应变量的预测带。 所得的预测带在标准假设下保留了原始估计量的一致性，同时保证了有限样本边际覆盖，即使这些假设不成立。 标准保形推断 - Tan Jay | 唐 洁 保形推断（Conformal Inference） 通过 验证集的非符合性分数分位数 构建预测区间，提供无分布假设的统计覆盖保证。 其核心优势在于： 无分布假设：仅需可交换性，不依赖数据分布形态。 灵活性：适配任意基模型（黑箱模型亦可）。 实用性：适用于高风险场景（如医疗、金融）的可靠不确定性量化。 以下是保形推断的标准流程，适用于回归或分类任务，旨在生成具有统计保证的预测区间或集合。 流程分步详解如下： 1 数据准备 将数据集划分为 训练集（Train） 、 验证集（Calibration） 和 测试集（Test）： 训练集：用于训练基模型（如回归模型、分类器）。 验证集：用于计算非符合性分数（Nonconformity Scores）并确定分位数阈值。 保形预测：AI不确定性的关键解-CSDN博客 保形预测（Conformal Prediction）通过提供统计上有效的预测集，量化并传达AI系统的不确定性，支持更可靠的决策。 其模型无关性、灵活性和适应性使其能够应对数据分布变化和模糊性，尤其在高风险领域如医疗、金融和刑事司法中发挥关键作用。

名人名言分类 佚名 谚语 巴尔扎克 歌德 高尔基 佚名 莎士比亚 培根 爱因斯坦 鲁迅 罗曼·罗兰 苏霍姆林斯基 雨果 契诃夫 泰戈尔 爱默生 列夫·托尔斯泰 马克思 爱迪生 奥斯特洛夫斯基 富兰克林 毛泽东 马克·吐温 卢梭 西塞罗 萧伯纳 列宁 赫尔岑 伏尔泰 华罗庚 李大钊 别林斯基 狄德罗 席勒 陶行知 亚里士多德 茨威格 黑格尔 居里夫人 巴甫洛夫 克雷洛夫 罗素 纪伯伦 郭沫若 达尔文 徐特立 车尔尼雪夫斯基 马克吐温 塞涅卡 柏拉图 希特勒 斯宾塞 叔本华 蒙田 屠格涅夫 苏格拉底 马卡连柯 邓小平 李奥贝纳 巴金 贝弗里奇 洛克 加里宁 戴尔·卡耐基 贝多芬 康德 达·芬奇 巴斯德 乌申斯基 卢棱 卡耐基 拿破仑 恩格斯 孟德斯鸠 托尔斯泰 雪莱 （英国）谚语 毛泽东（中） 谢觉哉 普希金 周恩来 朱熹 司汤达 贺拉斯 尼采 （法国）谚语 罗兰 毛姆 （前苏联）苏霍姆林斯基  罗斯金 德谟克利特 夸美纽斯 池田大作 拜伦 梁启超 三毛 培根（英国） 海涅 冈察洛夫 李四光 斯大林 拉罗什富科 莱辛 《对联集锦》 弗·培根 狄更斯 陀思妥耶夫斯基 赫胥黎 罗曼.罗兰 福楼拜 罗斯福 M·梅特林克 莫洛亚 吴玉章 （哈萨克族）谚语 卡莱尔 松下幸之助 阿法纳西耶夫（苏） 伽利略 列宁（苏） 莫泊桑 牛顿 司各特 凯洛夫 布莱克 孙中山 哈代 林肯 邓拓 冰心 雷锋 蒙田（法）《随笔集》 爱尔维修  MRMY.NET收集 易卜生 门捷列夫 法拉第 萨克雷 朗费罗 帕斯卡 吴运铎 郭小川 大仲马 奥维德 孙中山（中） 歌德（德）《歌德的格言和感想集》 茅盾 塞万提斯 但丁 孙武（春秋） 张志新 罗丹 圣西门 海塞 蔡元培 王尔德 方志敏 布鲁诺 果戈理 拉布吕耶尔 华盛顿 斯特林堡 萨迪 邹韬奋 惠特曼 P·德鲁克（美） 乔叟 兰姆 （欧洲）谚语 报摘 布莱希特 爱献生 薛瑄 萨迪（波斯）《蔷薇园》 卡斯特（美） 丁尼生 《五卷书》 薄伽丘 司马光（宋） 书摘 保罗 莫罗阿 斯宾诺莎 （朝鲜）谚语 德谟克里特 伊壁鸠鲁 伊索 肖伯纳 （德国）谚语 陶铸 杜威 茅以升 法朗士 蒙森 俾斯麦 芥川龙之介 裴斯泰洛齐 弗洛伊德 （非洲）谚语 托·富勒