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

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

ai-agents-for-beginners

ai-agents-for-beginners

10 节课教你开启构建 AI 代理所需的一切知识

AI Agents for Beginners 是一个专为初学者打造的课程项目,提供 10 节课程,涵盖构建 AI 代理的必备知识,支持多种语言,包含规划设计、工具使用、多代理等丰富内容,助您快速入门 AI 代理领域。

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。

下拉加载更多