conformal-prediction

conformal-prediction

严谨量化机器学习不确定性的开源框架

Conformal Prediction 是一个开源项目,提供严谨的机器学习不确定性量化方法。项目包含多个即用型示例,涵盖图像分类、回归等应用,无需原始数据和模型即可运行。研究人员和开发者可轻松上手此技术,探索其在实际问题中的应用,为模型增添可靠的不确定性估计。

共形预测机器学习不确定性量化预测集置信区间Github开源项目
<h1 align="center" style="margin-bottom:0px; border-bottom:0px; padding-bottom:0px">共形预测</h1> <h3 align="center" style="margin-bottom:0px; border-bottom:0px; padding-bottom:0px">适用于任何机器学习任务的严格不确定性量化</h3> <p align="center"> <a style="text-decoration:none !important;" href="https://arxiv.org/abs/2107.07511" alt="arXiv"><img src="https://img.shields.io/badge/paper-arXiv-red" /></a> <a style="text-decoration:none !important;" href="https://people.eecs.berkeley.edu/%7Eangelopoulos/blog/posts/gentle-intro" alt="website"><img src="https://img.shields.io/badge/website-Berkeley-yellow" /></a> <a style="text-decoration:none !important;" href="https://docs.conda.io/en/latest/miniconda.html" alt="package management"> <img src="https://img.shields.io/badge/conda-env-green" /></a> <a style="text-decoration:none !important;" href="https://opensource.org/licenses/MIT" alt="License"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/1ee37478-7984-44e4-b3d0-959c97037d55.svg" /></a> <a style="text-decoration:none !important;" href="https://www.youtube.com/watch?v=nql000Lu_iE" alt="arXiv"><img src="https://img.shields.io/youtube/views/nql000Lu_iE?style=social" /></a> <a style="text-decoration:none !important;" href="http://hits.dwyl.com/aangelopoulos/conformal-prediction" alt="arXiv"><img src="https://yellow-cdn.veclightyear.com/0a4dffa0/3a09388a-10ad-4f8a-9efb-38e82859bf20.svg?style=flat-square" /></a> </p> <p> 本代码库是在真实数据上开始使用共形预测(又称共形推理)的最简单方法。 每个<code>notebooks</code>都将共形预测应用于一个使用最先进机器学习模型的实际预测问题。 </p> <p align="center"><b>无需下载模型或数据即可运行一致性预测</b></p> <p> 笔记本会自动下载几个大规模真实世界数据集的原始模型输出和每个数据集的少量样本数据。您可以完全在这个沙盒中开发和测试一致性预测方法,无需运行原始模型或下载原始数据。打开笔记本即可查看预期输出。您可以使用这些笔记本来试验现有方法或作为开发自己方法的模板。 </p> <h3 align="center" style="margin-bottom:0px; border-bottom:0px; padding-bottom:0px">示例笔记本</h3> <ul> <li><a href="https://github.com/aangelopoulos/conformal-prediction/blob/main/notebooks/imagenet-smallest-sets.ipynb"><code>notebooks/imagenet-smallest-sets.ipynb</code></a>:使用ResNet152分类器进行Imagenet分类。预测集以90%的概率保证包含真实类别。</li> <li><a href="https://github.com/aangelopoulos/conformal-prediction/blob/main/notebooks/meps-cqr.ipynb"><code>notebooks/meps-cqr.ipynb</code></a>:使用梯度提升回归器和一致性分位数回归进行医疗支出回归。预测区间以90%的概率保证包含真实美元价值。</li> <li><a href="https://github.com/aangelopoulos/conformal-prediction/blob/main/notebooks/multilabel-classification-mscoco.ipynb"><code>notebooks/multilabel-classification-mscoco.ipynb</code></a>:在Microsoft Common Objects in Context (MS-COCO)数据集上进行多标签图像分类。集值预测保证包含90%的真实类别。</li> <li><a href="https://github.com/aangelopoulos/conformal-prediction/blob/main/notebooks/toxic-text-outlier-detection.ipynb"><code>notebooks/toxic-text-outlier-detection.ipynb</code></a>:通过一致性异常检测识别有毒或仇恨的在线评论。不超过10%的分布内数据会被标记为有毒。</li> <li><a href="https://github.com/aangelopoulos/conformal-prediction/blob/main/notebooks/tumor-segmentation.ipynb"><code>notebooks/tumor-segmentation.ipynb</code></a>:从内窥镜图像中分割肠息肉。分割掩码包含90%的真实肿瘤像素。</li> <li><a href="https://github.com/aangelopoulos/conformal-prediction/blob/main/notebooks/weather-time-series-distribution-shift.ipynb"><code>notebooks/weather-time-series-distribution-shift</code></a>:使用时间序列数据和加权一致性预测来预测全球未来温度。预测区间包含90%的真实温度。</li> <li><a href="https://github.com/aangelopoulos/conformal-prediction/blob/main/notebooks/imagenet-selective-classification.ipynb"><code>notebooks/imagenet-selective-classification.ipynb</code></a>:当Imagenet分类器不确定时,它会放弃预测。否则,它将有90%的准确率,尽管基础模型的准确率只有77%。</li> <li>...以及更多!</li> </ul> <h3 align="center" style="margin-bottom:0px; border-bottom:0px; padding-bottom:0px">笔记本可以使用提供的Google Colab链接立即运行</h3> <h5 align="center" style="margin-bottom:0px; border-bottom:0px; padding-bottom:0px">Colab链接在每个笔记本的顶部单元格中</h5> <p> 要在本地运行这些笔记本,您只需安装正确的依赖项并按下<code>运行所有单元格</code>即可!笔记本将自动下载所有必需的数据和模型输出。您的计算机需要1.5GB的空间来存储自动下载的数据。如果您想了解我们如何生成预先计算的模型输出和数据子样本,请查看<code>generation-scripts</code>中的文件。每个数据集都有一个对应的脚本。要创建具有正确依赖项的<code>conda</code>环境,请运行<code>conda env create -f environment.yml</code>。如果您仍然遇到依赖项错误,请确保在Jupyter笔记本中激活<code>conformal</code>环境。 </p> <h3 align="center" style="margin-bottom:0px; border-bottom:0px; padding-bottom:0px">引用</h3> <p> 这个仓库旨在配合我们的论文<a href="https://arxiv.org/abs/2107.07511">一致性预测和无分布不确定性量化的温和介绍</a>。 该论文中有每个示例的详细解释和归属说明。 如果您发现这个仓库有用,除了相关方法和数据集外,请引用: </p> <pre><code>@article{angelopoulos2021gentle, title={A gentle introduction to conformal prediction and distribution-free uncertainty quantification}, author={Angelopoulos, Anastasios N and Bates, Stephen}, journal={arXiv preprint arXiv:2107.07511}, year={2021} }</code></pre> <h3 align="center" style="margin-bottom:0px; border-bottom:0px; padding-bottom:0px">视频</h3> 如果您有兴趣通过视频形式了解一致性预测,请观看我们下面的视频! <h4 align="center" style="margin-bottom:0px; border-bottom:0px; padding-bottom:0px">共形预测教程</h4> <p align="center"><a href="https://www.youtube.com/watch?v=nql000Lu_iE"> <img width="350" src="https://yellow-cdn.veclightyear.com/0a4dffa0/95cf0dc5-1e07-4e64-98ea-3961e233fb9e.jpg" /> </a></p> <h4 align="center" style="margin-bottom:0px; border-bottom:0px; padding-bottom:0px">共形预测教程 第二部分:条件覆盖</h4> <p align="center"><a href="https://www.youtube.com/watch?v=TRx4a2u-j7M"> <img width="350" src="https://yellow-cdn.veclightyear.com/0a4dffa0/9d65c587-2b79-44f1-8b4b-eb52a2d66f43.jpg" /> </a></p> <h4 align="center" style="margin-bottom:0px; border-bottom:0px; padding-bottom:0px">共形预测教程 第三部分:超越共形预测</h4> <p align="center"><a href="https://www.youtube.com/watch?v=37HKrmA5gJE"> <img width="350" src="https://yellow-cdn.veclightyear.com/0a4dffa0/7683fba4-883e-4791-a8fd-73649293e30e.jpg" /> </a></p>

编辑推荐精选

AEE

AEE

AI Excel全自动制表工具

AEE 在线 AI 全自动 Excel 编辑器,提供智能录入、自动公式、数据整理、图表生成等功能,高效处理 Excel 任务,提升办公效率。支持自动高亮数据、批量计算、不规则数据录入,适用于企业、教育、金融等多场景。

UI-TARS-desktop

UI-TARS-desktop

基于 UI-TARS 视觉语言模型的桌面应用,可通过自然语言控制计算机进行多模态操作。

UI-TARS-desktop 是一款功能强大的桌面应用,基于 UI-TARS(视觉语言模型)构建。它具备自然语言控制、截图与视觉识别、精确的鼠标键盘控制等功能,支持跨平台使用(Windows/MacOS),能提供实时反馈和状态显示,且数据完全本地处理,保障隐私安全。该应用集成了多种大语言模型和搜索方式,还可进行文件系统操作。适用于需要智能交互和自动化任务的场景,如信息检索、文件管理等。其提供了详细的文档,包括快速启动、部署、贡献指南和 SDK 使用说明等,方便开发者使用和扩展。

Wan2.1

Wan2.1

开源且先进的大规模视频生成模型项目

Wan2.1 是一个开源且先进的大规模视频生成模型项目,支持文本到图像、文本到视频、图像到视频等多种生成任务。它具备丰富的配置选项,可调整分辨率、扩散步数等参数,还能对提示词进行增强。使用了多种先进技术和工具,在视频和图像生成领域具有广泛应用前景,适合研究人员和开发者使用。

爱图表

爱图表

全流程 AI 驱动的数据可视化工具,助力用户轻松创作高颜值图表

爱图表(aitubiao.com)就是AI图表,是由镝数科技推出的一款创新型智能数据可视化平台,专注于为用户提供便捷的图表生成、数据分析和报告撰写服务。爱图表是中国首个在图表场景接入DeepSeek的产品。通过接入前沿的DeepSeek系列AI模型,爱图表结合强大的数据处理能力与智能化功能,致力于帮助职场人士高效处理和表达数据,提升工作效率和报告质量。

Qwen2.5-VL

Qwen2.5-VL

一款强大的视觉语言模型,支持图像和视频输入

Qwen2.5-VL 是一款强大的视觉语言模型,支持图像和视频输入,可用于多种场景,如商品特点总结、图像文字识别等。项目提供了 OpenAI API 服务、Web UI 示例等部署方式,还包含了视觉处理工具,有助于开发者快速集成和使用,提升工作效率。

HunyuanVideo

HunyuanVideo

HunyuanVideo 是一个可基于文本生成高质量图像和视频的项目。

HunyuanVideo 是一个专注于文本到图像及视频生成的项目。它具备强大的视频生成能力,支持多种分辨率和视频长度选择,能根据用户输入的文本生成逼真的图像和视频。使用先进的技术架构和算法,可灵活调整生成参数,满足不同场景的需求,是文本生成图像视频领域的优质工具。

WebUI for Browser Use

WebUI for Browser Use

一个基于 Gradio 构建的 WebUI,支持与浏览器智能体进行便捷交互。

WebUI for Browser Use 是一个强大的项目,它集成了多种大型语言模型,支持自定义浏览器使用,具备持久化浏览器会话等功能。用户可以通过简洁友好的界面轻松控制浏览器智能体完成各类任务,无论是数据提取、网页导航还是表单填写等操作都能高效实现,有利于提高工作效率和获取信息的便捷性。该项目适合开发者、研究人员以及需要自动化浏览器操作的人群使用,在 SEO 优化方面,其关键词涵盖浏览器使用、WebUI、大型语言模型集成等,有助于提高网页在搜索引擎中的曝光度。

xiaozhi-esp32

xiaozhi-esp32

基于 ESP32 的小智 AI 开发项目,支持多种网络连接与协议,实现语音交互等功能。

xiaozhi-esp32 是一个极具创新性的基于 ESP32 的开发项目,专注于人工智能语音交互领域。项目涵盖了丰富的功能,如网络连接、OTA 升级、设备激活等,同时支持多种语言。无论是开发爱好者还是专业开发者,都能借助该项目快速搭建起高效的 AI 语音交互系统,为智能设备开发提供强大助力。

olmocr

olmocr

一个用于 OCR 的项目,支持多种模型和服务器进行 PDF 到 Markdown 的转换,并提供测试和报告功能。

olmocr 是一个专注于光学字符识别(OCR)的 Python 项目,由 Allen Institute for Artificial Intelligence 开发。它支持多种模型和服务器,如 vllm、sglang、OpenAI 等,可将 PDF 文件的页面转换为 Markdown 格式。项目还提供了测试框架和 HTML 报告生成功能,方便用户对 OCR 结果进行评估和分析。适用于科研、文档处理等领域,有助于提高工作效率和准确性。

飞书多维表格

飞书多维表格

飞书多维表格 ×DeepSeek R1 满血版

飞书多维表格联合 DeepSeek R1 模型,提供 AI 自动化解决方案,支持批量写作、数据分析、跨模态处理等功能,适用于电商、短视频、影视创作等场景,提升企业生产力与创作效率。关键词:飞书多维表格、DeepSeek R1、AI 自动化、批量处理、企业协同工具。

下拉加载更多