MAPIE：一个用于无分布不确定性量化的开源库
机器学习
2022-07-26 v1 机器学习
摘要
估计机器学习（ML）模型预测相关的不确定性，对于评估其鲁棒性和预测能力至关重要。在本投稿中，我们介绍 MAPIE（Model Agnostic Prediction Interval Estimator，模型无关预测区间估计器），一个用于量化单输出回归和多类分类任务中 ML 模型不确定性的开源 Python 库。MAPIE 实现了保形预测方法，使用户能够轻松计算不确定性，并在边际覆盖率上具有强有力的理论保证，且对模型或底层数据分布的假设较弱。MAPIE 托管于 scikit-learn-contrib，并完全“兼容 scikit-learn”。因此，它接受任何带有 scikit-learn API 的回归器或分类器。该库可在 https://github.com/scikit-learn-contrib/MAPIE/ 获取。
引用
@article{arxiv.2207.12274,
title = {MAPIE: an open-source library for distribution-free uncertainty quantification},
author = {Vianney Taquet and Vincent Blot and Thomas Morzadec and Louis Lacombe and Nicolas Brunel},
journal= {arXiv preprint arXiv:2207.12274},
year = {2022}
}
备注
Submitted to the 2022 ICML workshop "Distribution-free uncertainty quantification"