MAPIE – 模型无关的预测区间估计器

这是什么

• 一个Python库，在现有模型之上添加预测区间（用于回归）和预测集（用于分类、时间序列、分割等）。
• 它可以与scikit-learn估计器开箱即用，并提供TensorFlow或PyTorch模型的薄包装器，因此您可以继续使用已经熟悉的工具。

为什么重要

• 在许多现实世界的应用中，您不仅需要点预测，还需要对该预测的不确定性有可靠的感知。MAPIE基于共形预测和相关风险控制理论，提供统计上可靠、与分布无关的不确定性估计。
• 这些保证在非常温和的假设下成立（基本上要求校准数据可交换），使得该工具在多个领域中都有用——从表格回归到图像分割，甚至新兴的LLM-as-judge场景。

主要特性（如README所述）

• 预测区间/集：用于回归、分类、时间序列、多标签分类和语义分割。
• 风险控制：允许设置目标风险（例如，最大假阴性率），并获得可证明满足该风险的预测集。
• 模型无关：适用于任何与scikit-learn兼容的估计器；可选包装器允许您插入TensorFlow或PyTorch模型。
• 自适应和可交换性测试：2026年的新功能包括测试可交换性假设是否成立的方法，以及尽可能收紧区间的自适应共形技术。
• 广泛的文档和示例：回归和分类的快速入门笔记本，以及完整的Read-the-Docs站点。

典型工作流程

1. 像往常一样训练您的模型（例如，LinearRegression、RandomForest、PyTorch网络）。
2. 划分一个保留的“校准”集，MAPIE将使用它来估计不确定性。
3. 用MAPIE类（MapieRegressor、MapieClassifier等）包装训练好的模型。
4. 在校准数据上拟合包装器。
5. 使用predict_interval或predict_set预测，获得区间/集以及通常的点预测。

安装

pip install mapie          # 或 conda install -c conda-forge mapie

需要Python ≥ 3.9、NumPy ≥ 1.23、scikit-learn ≥ 1.4。

社区与可持续性

• 属于scikit-learn-contrib生态系统，意味着遵循相同的开源治理和测试标准。
• 积极维护（GitHub Actions CI、代码覆盖率徽章、定期发布）。
• 由学术和行业合作伙伴（Capgemini Invent、INRA、Michelin、ENS Paris-Saclay等）支持，并受地区和私营研究机构资助。

何时使用MAPIE

• 您需要为现有模型提供校准后的不确定性。
• 您的应用程序要求正式的风险保证（例如，医学诊断、自动驾驶、金融预测）。
• 您更喜欢不假设特定模型族且需要最少额外代码的库。

在哪里了解更多

• 文档中的快速入门笔记本：回归示例、分类示例。
• Read-the-Docs站点上的完整API参考和理论背景。
• README中引用的学术论文，以获取更深入的统计见解。

---

TL;DR：MAPIE是一个维护良好、模型无关的Python包，使用共形预测和风险控制方法，为任何ML模型添加统计上严格的不确定性量化。每当您需要可信的置信区间或预测集而不必局限于特定模型架构时，它都很有用。