机器学习分类模型不确定性评估的计量学框架
机器学习
2025-11-13 v3 机器学习
摘要
机器学习（ML）分类模型正越来越多地被用于需要预测伴随不确定性的广泛应用领域，包括气候和地球观测、医疗诊断和生物气溶胶监测。机器学习分类模型的输出是一种称为国际计量学词汇表（VIM）中名义属性的分类变量类型。然而，与名义属性相关的不确定性评估概念在VIM中未定义，也未在测量不确定性表达指南（GUM）中予以讨论。本文我们提出了一种针对名义属性的计量学概念不确定性评估框架。该框架基于概率质量函数及其汇总统计量，适用于机器学习分类。我们还在具有显著社会影响的两个应用领域中说明了其用途，分别是气候和地球观测以及医疗诊断。我们的框架将使指南（GUM）能够针对名义属性的不确定性进行扩展，从而使其同时适用于机器学习分类模型。
引用
@article{arxiv.2504.03359,
title = {A metrological framework for uncertainty evaluation in machine learning classification models},
author = {Samuel Bilson and Maurice Cox and Anna Pustogvar and Andrew Thompson},
journal= {arXiv preprint arXiv:2504.03359},
year = {2025}
}
备注
51 pages, 5 figures