机构名称：
¥ 1.0
不确定性量化对于评估机器学习模型的预测质量至关重要。在极端学习机器（ELM）的情况下，文献中提出的大多数方法都对数据进行了强有力的假设，忽略输入权重的随机性或忽略了置信估计的偏见贡献。本文提出了克服这些限制并提高对ELM变异性的理解的新颖估计。分析推导是在一般假设下提供的，旨在识别识别和解释不同变异源的贡献。在同性恋性和异性恋性下，提出了几种方差估计值，进行了投资和数值测试，显示了它们在复制预期方差的有效性。最后，通过采用关键方法来讨论置信间隔估计的可行性，从而提高了榆树用户对某些陷阱的认识。该论文与Scikit-Learn兼容的Python库相同，从而实现了本文中所有讨论的所有估计值的有效计算。2021作者。由Elsevier B.V.这是CC下的开放访问文章（http://creativecommons.org/licenses/4.0/）。
极限学习机器中的不确定性量化-Serval
主要关键词
相关文件推荐
