#不确定性量化

Fortuna是一个专用于不确定性量化的开源库，适用于需要做出关键决策的场景。它提供了从预训练模型和深度学习模型进行校准和共形的方法，并支持多种贝叶斯推断方法。通过简单直观的语言和高度配置的特性，用户可以轻松运行基准测试并将不确定性引入生产系统。Fortuna支持从不确定性估算、模型输出以及Flax模型三种模式，确保预测结果的可靠性。详见官方文档和示例。

uncertainty-calibration项目是预估校准技术研究的综合资源库。该项目涵盖后处理方法、模型集成方法和校准理论分析等多个领域，并提供广告等实际应用案例。项目还包括评价指标、公开数据集和中文资料，为研究人员和从业者提供了全面的校准技术参考。

Lightning-UQ-Box是基于PyTorch的开源库，为神经网络提供多种不确定性量化技术。该库实现了多种UQ方法，支持不同架构和理论基础，便于在数据集上比较方法效果。它简化了UQ在工作流中的应用，降低了使用门槛，有助于促进UQ方法的比较和开发，并注重实验的可重现性。

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。

MAPIE是一个开源Python库，用于量化机器学习模型的不确定性和控制风险。它计算可控覆盖率的置信预测区间，适用于回归、分类和时间序列分析。MAPIE还可控制多标签分类和语义分割等复杂任务的风险。该库兼容各类模型，遵循scikit-learn API，基于同行评审算法提供理论保证。MAPIE仅依赖scikit-learn和numpy，支持Python 3.7及以上版本。