问题标签 [uncertainty]

我正在使用深度神经网络模型（在 中实现keras）进行预测。像这样的东西：

我的问题是分类（二进制）问题。我想计算每一个的置信度分数，prediction即我想知道 - 我的模型是 99% 确定它是“0”还是 58% 是“0”。

我找到了一些关于如何做到这一点的观点，但无法实施。我希望遵循的方法说：“使用分类器，当您输出时，您可以将值解释为属于每个特定类别的概率。您可以使用它们的分布来粗略衡量您对观察属于该类别的信心程度。”

我应该如何使用上述模型进行预测，以便我对每个预测都有信心？我会很感激一些实际的例子（最好在 Keras 中）。

我正在使用 python curvefit 来拟合多变量回归。使用平方根变换对回归数进行变换。虽然直接对系数进行反向变换，但我不确定如何在曲线拟合中计算系数的标准误差，以及是否为具有变换回归的系数计算误差，以及当系数反向时如何解释它们 -转变。

例如 y = ax^b 是我的回归函数，其中 y 使用平方根函数进行转换。Y0 是原始观测值，y 是 y0^(0.5)。

我有回归的系数 a 和 b。然后为 y0, y0 = (ax^b)^(1/0.5) 编写相同的内容，即 y0 = a0(x^(1/0.5))^b0 其中 a0 = a^(1/0.5) 和 b0 = b /0.5

现在我怎样才能在curvefit中对pcov做同样的事情，以便我知道a0和b0的不确定性？

另外，当函数为 y = a(xc)^b 时，如何对 coefficeints 进行这种转换？

我有一些 x 数据和 y 数据 --> 仅作为示例

现在我想拟合一个非线性函数

与 scipy。为此我使用

但我也有 x 和 y 数据的误差线。所以我不想只适合一条线，而是一个带有fillbetween的错误带。

但为此，我需要关于误差线的置信区间。有人知道如何计算它们吗？或者如何拟合关于误差线的函数并从中获得拟合错误？

此致

我目前正在比较 Python 中的采样技术，并了解应用这些采样技术后过采样对数据集分类的效果如何。我正在尝试比较不确定性采样和熵过采样，我理解它们是相似的，但仍应给出不同的结果。我正在使用 modAL Python 包。

这两种采样技术都给出了相同的结果：

modAL 还具有边距采样功能，它再次给出相同的结果。关于为什么会发生这种情况的任何帮助？

谢谢

我需要使用 scipy.optimize.curve_fit 将曲线拟合到实验数据并提取参数。我的数据同时具有 x 和 y 不确定性。

该文档解释了如何包含 y 不确定性，如下所示：

sigma ：无或 M 长度序列，可选如果不是无，则 ydata 数组中的不确定性。这些用作最小二乘问题中的权重，即最小化 np.sum( ((f(xdata, *popt) - ydata) / sigma)**2 ) 如果没有，则假定不确定性为 1。

但是，尚不清楚我应该如何包括 x 不确定性。请解释我怎么能做到这一点？

我有两个unumpy数组：

我想传播他们的错误，同时通过以下方式计算平均比率的错误：

但我不知道如何解决我收到的以下错误：

作为另一个问题的后续：在 给定变量和不确定性的情况下求解线性方程：scipy-optimize？求解给定变量和不确定性的线性方程：scipy-optimize?

在我看来，我有一个非常相似的问题。我对 py 比较陌生，主要用它来排序和减少 pandas 的数据。

我有一组线性方程，我想在其中找到最佳拟合参数。但是，数据集具有已知的不确定性，需要在括号中考虑。

此外，还有以下限制：

我的方法是将方程视为约束并求解残差之和，如上面（简化）示例中所示。

在没有不确定性的情况下解决这个问题不是问题。我要求在找到最佳拟合参数的同时获得有关如何考虑不确定性的提示。

我有一个数据集来进行多元线性回归：

但请考虑因变量和自变量测量错误的情况（Y ± α、X1 ± β、X2 ± γ）。这条线是，

我的问题是如何在回归中实现这些不确定性（α、β、γ）。每个 x 和 y 都有不同的不确定性。python中是否有库可以进行这种稳健的回归？

Sklearn.linear_model 执行多元线性回归，但没有不确定性（α、β、γ）。

Jensen-Shannon 散度是一种衡量两个概率分布之间相似性的方法，它的边界为 1 ( 0 <= JSD(p,q) <= 1)。我已经应用了 Jensen-Shannon 散度的 python 代码，我想分析我的结果。我无法理解结果数字的含义。JSD(p,q)=1 或 JSD(p,q)=0 是什么意思？

我试图在推理期间使用模型中的 dropout 层来测量模型不确定性，如Yurin Gal 概述的方法中所述

这篇文章中描述了一个解决方案： 如何使用 Keras 计算预测不确定性？，它定义了一个新的 Keras 函数 self.f = K.function([self.graph.layers[0].input, K.learning_phase()], [self.graph.layers[-1].output])

但是，如果使用的模型具有批量标准化层，则此方法不成立。因为这将使模型不使用在训练期间学习的均值和方差，而是根据当前批次设置新的。

因此，我正在寻找一种方法将批处理层训练参数设置为 false，但将 dropout 层保持在训练模式？

我使用 KerasefficientNet B0 作为模型，在自定义数据keras_efficientNet上进行了训练

我已经尝试自己更改图层设置

尽管如此，这些都没有奏效。