详细内容或原文请订阅后点击阅览
不确定性量化的深度证据回归简介
机器学习模型可以充满信心，即使它们不应该如此。本文介绍了深度证据回归 (DER)，这是一种让神经网络快速表达它们不知道的内容的方法。不确定性量化的深度证据回归简介一文首先出现在《走向数据科学》上。
来源:走向数据科学到证据深度学习 (EDL)，这是一种一次性量化认知和任意不确定性的框架。更具体地说，我们将重点关注一个子集：Amini 等人发表的深度证据回归 (DER)。 2020。如果这些词令人困惑，请不要担心，我们很快就会解释它们。
本文假设您具备一些机器学习、统计和微积分知识方面的经验；我们将在此过程中建立对算法的直觉。然后，我们将通过一个近似三次函数的示例并简要介绍其他应用。我的目标不是让您相信 EDL 是完美的；而是让您相信 EDL 是完美的。相反，我认为这是一个有趣且正在发展的主题，我们应该关注未来。演示和可视化的代码可以在这里找到，希望您喜欢！
什么是不确定性以及为什么它很重要？
决策是困难的。人类通常在潜意识中使用来自周围环境和过去经验的无数因素，并综合起来用它来指导我们的选择。这被称为直觉或共鸣，可以反过来理解为不确定性。这种情况很常见，即使是在外科这样技术性很强、有科学依据的学科中也是如此。 2011 年的一项研究采访了 24 名外科医生，其中很大一部分关键决策是凭借快速直觉 (46%) 做出的，而不是对所有替代行动方案进行深思熟虑的综合分析。
\[s(\vec{z})_{i}=\frac{e^{\vec{z}_{i}}}{\sum_{j=1}^{N}e^{\vec{z}_{j}}}\]
形式化不确定性和不确定性量化 (UQ) 方法
现在我们已经确定了天真地将 softmax 作为不确定性度量的问题，我们应该形式化不确定性的概念。研究人员通常将不确定性分为两类：认知的和任意的。