详细内容或原文请订阅后点击阅览
用简单的Python接口
ML不确定性包装在机器学习中的不确定性量化后首先出现在数据科学上。
来源:走向数据科学（UQ）在机器学习（ML）模型中允许人们估计其预测的精度。这对于在现实世界任务中利用其预测非常重要。例如，如果对机器学习模型进行了培训以预测材料的属性，则可能使用20％不确定性（错误）的预测值与预测值的使用方式大不相同，而在整个决策过程中，不确定性（错误）的预测值可能会使用5％。尽管它很重要，但在Python中流行的ML软件（例如Scikit-Learn，Tensorflow和Pytorch）仍无法使用UQ功能。
机器学习输入ML不确定性：旨在解决此问题的Python软件包。 ML不确定性建立在流行的Python库（例如Scipy和Scikit-Learn）之上，为估计ML预测中的不确定性以及可能的情况下的模型参数提供了非常直观的界面。该软件包仅需要大约四行代码来执行这些估计，因此包装在后台利用了功能强大和理论上严格的数学方法。它利用了所讨论的ML模型的基本统计属性，从而使软件包计算便宜。此外，这种方法将其适用性扩展到通常只有少量数据的现实情况下。
动机
我在过去的10年中一直是狂热的Python用户。我喜欢已经创建和维护的大量强大图书馆，以及非常活跃的社区。当我解决混合ML问题时，ML不确定性的想法就出现在我身上。我已经建立了一个ML模型来预测某些聚合物的应力应变曲线。应力 - 应变曲线 - 聚合物的重要特性 - 某些基于物理的规则；例如，它们在低应变值下具有线性区域，而拉伸模量随温度而降低。
统计 统计学习简介 统计学习的要素 1,2 不确定性入门：示例
示例 2 3 get_intervals在其中，
1