上海人才网官方网站三乡网站开发

上海人才网官方网站,三乡网站开发,深圳小程序开发设计,网站风格包括什么什么是不确定性量化？ 统计学家 George Box 写道：“所有的模型都是错误的，但有些模型是有用的。”1 无论是定性模型、人工智能模型、动态数学模型还是统计模型，总是无法满足现实的复杂性。 影响各类模型的不确定性有多种类型。不确定性来源包括系统中的随机过程或随机特征（…什么是不确定性量化？统计学家 George Box 写道：“所有的模型都是错误的，但有些模型是有用的。”1 无论是定性模型、人工智能模型、动态数学模型还是统计模型，总是无法满足现实的复杂性。影响各类模型的不确定性有多种类型。不确定性来源包括系统中的随机过程或随机特征（称为偶然不确定性）、不完备知识（称为认知不确定性）或计算限制。模型不确定性不仅可以帮助我们估计模型随时间推移的准确性，还可以帮助显示可能结果的范围。它还有助于了解如何减少衡量和模型中的不确定性。不确定性和准确性是两个不同的概念，但两者又密切相关。预测准确度衡量预测值与已知值的接近程度。不确定性则反映预测值和目标值可能存在的变动幅度。仅将苹果图像分类为红色或绿色的计算机视觉系统，其固有不确定性比对世界上已知每种水果的照片进行分类的系统要小得多。不确定性量化 (UQ) 是一种准确衡量这两个问题之间不确定性程度的方法。当模型包含不确定性时，其输出可能会因不同的概率而变化。我们将这些输出视为随机变量，并使用概率分布来衡量不确定性。分布越广，结果的不确定性就越大。虽然方差对于高斯分布很有效，但许多现实世界的系统会创建需要不同衡量方法的非标准分布。不确定性量化方法有助于告诉您对任何特定预测的信心。这可以是统计技术（例如分布测试）做出的预测，也可以是机器学习算法做出的预测或推断。UQ 还可以帮助我们了解模型可能产生的结果范围。例如，如果天气模型预测降雨概率为 70%，那么 UQ 可以帮助确定这 70% 是否基于可靠的训练数据，或者是否存在很大的不确定性，其实际概率可能在 50% 到 90% 之间。UQ 方法很重要，因为它可以显示错误和未知因素如何影响最终结果。这可以防止模型变得过度自信，并有助于集中精力提高机器学习模型的准确性。计算 UQ 有助于确定哪些不确定性影响最大，并有助于优化模型训练。UQ 还能帮助决策者了解预测的可靠性。UQ 可以帮助您将“这种模式可能是错误的”这样的陈述转化为具体的、可衡量的信息，说明它可能错到什么程度、在哪些方面可能是错误的。在医学、不容错工程或其他可靠性至关重要的领域工作时，这一点非常宝贵。UQ 方法不确定性主要有两种类型：数据驱动型不确定性和模型驱动型不确定性。无论哪种情况，在预测之前和之后了解预测的可靠性都会有所帮助。您可以将其视为一个模型，用于预测门铰链在发生故障之前可以打开和关闭多少次，误差幅度大约为 1000 次操作。它还可以显示这次关闭门铰链损坏的可能性有多大。基于采样的方法基于采样的方法是用于不确定性量化的最常用技术之一，因为它们可以处理任何类型的模型复杂性，并提供直观全面的不确定性特征。通过生成许多可能的场景，采样可以构建一个统计图，说明在应用于真实世界数据时可能出现哪些结果以及我们的预测有多不确定。这些方法不是通过分析计算不确定性，而是利用对许多样本输出的统计分析来确定不确定性分布的特征。蒙特卡罗模拟是最常用的方法之一。它通过随机变化的输入运行数千次模型模拟，以了解可能的输出范围。这在参数模型中尤为常见，通过比较不同模型的置信区间和模型输出，了解所有可能值的范围。蒙特卡罗模拟的一种变体称为拉丁超立方采样。这是一种更高效的版本，需要的运行次数更少，但仍能很好地覆盖输入空间。蒙特卡罗暂退是另一种在预测期间保持暂退处于活动状态的技术，该方法运行多次前向传递以获得输出分布。2 暂退主要用作正则化技术，这是一种用于微调机器学习模型的方法。该方法旨在优化调整后的损失函数，同时避免过度拟合或欠拟合的问题。蒙特卡罗暂退在测试时应用暂退，并使用不同的暂退掩码运行多次前向传递。这样，模型就会产生预测结果分布，而不是单点估算。该分布可让我们深入了解模型预测结果的不确定性。这是一种计算效率很高的技术，可以让神经网络输出分布，而无需对神经网络进行多次训练。如果多次运行实际模型成本过于高昂，统计学家会使用高斯过程回归 (GPR) 等技术创建简化的“代理”模型。5 GPR 是一种用于对预测结果的确定性进行建模的贝叶斯方法，使其成为优化、时间序列预测和其他应用的重要工具。GPR 基于“高斯过程”的概念，具有联合高斯分布的随机变量的集合。您可以将高斯过程看作是函数的分布。GPR 将先验分布置于函