超越点预测：贝叶斯神经网络实用介绍

点估计的问题

当机器学习模型估算加州房屋的中值价值时，它通常会给出一个数字：385,000 美元。

这个数字可能看起来很精确。但隐藏在这一估计背后的是不确定性，而这种不确定性可能由多种因素引起。预测不确定是因为邻域特征本身就有噪声，还是因为模型从未见过像这样的位置？

输出单个数字的标准神经网络无法回答这些问题。他们将报告误差指标，例如平均绝对误差 (MAE)。然而，这只是测试数据集的平均值。 MAE 没有告诉我任何关于我现在正在看的具体房子的信息。采用贝叶斯框架使我们能够不再询问“预测的房屋价值是多少？”到“合理值的范围是多少，我们有多大把握？”

最近的几篇走向数据科学的文章，例如人工智能决策的贝叶斯护栏，为考虑自动化决策中的不确定性提供了很好的案例。在本文中，我们将逐步介绍实际实施及其所需的工程决策。具体来说，我们将使用 Python 和加州住房数据集构建贝叶斯神经网络。您将学习如何参数化权重分布、运行变分推理以及提取可操作的不确定性界限，以准确揭示您的模型何时应该被信任、何时不应该被信任。

不确定性量化

博客文章重新审视任意不确定性和认知不确定性二分法对这个问题进行了精彩的深入探讨。在本文中，我们将仅限于单个不确定性估计器，而没有任意和认知的具体标签。

数据集概述：加州住房

功能

描述

医疗公司

街区组收入中位数

房屋年龄

街区组中房屋年龄中位数

AveRooms

每户平均房间数

AveBedrms

每户平均卧室数量

人口

AveOccup

98.9%