awesome-conformal-prediction

awesome-conformal-prediction 概覽

這是什麼

這個儲存庫是一個經過策劃的資源清單，主題是共形預測（也稱為共形推論）。共形預測是一個無分布假設、與模型無關的框架，用於量化預測的不確定性。它不輸出單一點預測，而是回傳一個預測集合（分類問題）或預測區間（迴歸問題），在資料可交換的溫和假設下，保證以使用者選擇的機率（例如 90% 或 95%）包含真實標籤。這些保證在有限樣本、任何底層模型、且無需分布假設的情況下都成立。此清單由 Dr. Valeriy Manokhin 維護，他在共形預測創始人 Prof. Vladimir Vovk 的指導下完成機器學習博士學位。

主要功能

• 涵蓋主題：共形預測、共形推論、預測區間、不確定性量化、模型校準、無分布推論、選擇性預測、可信賴機器學習、大型語言模型不確定性、時間序列預測、異常檢測。
• 包含教學、課程、書籍、文章、影片與演講、簡報投影片等章節。
• 列出 Python、R、Julia 及其他語言的開源函式庫與工具，以及 AI 平台和 Kaggle 筆記本。
• 收錄研究論文（一般、時間序列預測、異常檢測）和博士論文。
• 提供社群資源：活動、工作坊、會議、研究者、網站、Twitter/X。
• 包含使用 crepes 函式庫與 scikit-learn 的快速入門程式碼範例。

使用情境

共形預測可應用於迴歸、分類、時間序列、異常檢測和大型語言模型不確定性。它用於不確定性量化、可信賴機器學習、選擇性預測以及 AI 系統的安全部署。此儲存庫的目標使用者為研究者、實務工作者和生產團隊。

快速開始

pythonimport numpy as npfrom crepes import ConformalRegressorfrom sklearn.ensemble import RandomForestRegressorfrom sklearn.datasets import fetch_california_housingfrom sklearn.model_selection import train_test_splitX, y = fetch_california_housing(return_X_y=True)X_train, X_rest, y_train, y_rest = train_test_split(X, y, test_size=0.4, random_state=0)X_cal, X_test, y_cal, y_test = train_test_split(X_rest, y_rest, test_size=0.5, random_state=0)model = RandomForestRegressor(n_estimators=200, random_state=0).fit(X_train, y_train)residuals_cal = np.abs(y_cal - model.predict(X_cal))cr = ConformalRegressor().fit(residuals=residuals_cal)intervals = cr.predict(y_hat=model.predict(X_test), confidence=0.9) # 90% intervals可執行的筆記本位於 examples/ 目錄。若要新增資源，請參閱 CONTRIBUTING.md。

授權與價格

此儲存庫採用 CC BY-NC-ND 4.0 授權。學術作品必須引用。定價類型為開源。

內容整理自該專案公開的 README 與儲存庫資訊。