deel-ai/puncc

解决的问题

Puncc 提供了一种将任意机器学习模型的点预测转换为具有严格不确定性估计的预测区间或预测集合的方法。在数据满足可交换性（i.i.d.）的前提下，可确保真实输出落在用户定义的误差率（alpha）范围内。

工作原理

该库实现了多种前沿的分位数预测算法。它通过包装现有预测模型，在校准数据集上计算非符合性得分，然后利用这些得分生成新数据的预测区间（回归任务）或预测集合（分类任务）。

适用人群

需要对其模型进行可靠不确定性量化，且不关心模型架构的数据科学家和机器学习工程师。兼容 Scikit-learn、PyTorch 和 TensorFlow/Keras。

核心亮点

• 广泛的任务支持：支持回归、分类、目标检测和异常检测。
• 模型无关性：通过包装器 API 与任意预测模型兼容。
• 多样化的算法：包含 SplitCP、CQR、APS、RAPS 等多种实现。
• 灵活的 API：提供高层直接接口用于标准流程，也提供低层 API 以支持自定义非符合性得分和校准逻辑。
• 评估工具：内置指标和绘图功能，用于评估分位数预测过程。