scikit-learn-contrib/MAPIE

解决的问题

MAPIE 提供了一种量化机器学习模型不确定性并控制风险的方法。它不是提供单一的点预测，而是允许用户生成具有理论保证的预测区间（用于回归）或预测集（用于分类），确保真实值以指定的概率落在预测范围或集合内。

工作原理

MAPIE 使用来自 Conformal Prediction 和 Distribution-Free Inference 的技术。它是模型无关的，这意味着它可以封装任何来自 scikit-learn、TensorFlow 或 PyTorch 的模型。通过在单独的 conformalization 数据集上估计不确定性，它将标准模型的输出转换为概率保证。

适用对象

需要为回归、分类、时间序列、多标签分类以及语义分割等计算机视觉任务提供可靠不确定性量化的数据科学家和 ML 工程师。