在分类任务中,我们可以将输出向量解释为模型对输入具有特定标签的“信心”程度。例如,
y = [0.01 0.20 0.99 0.10]
这意味着模型 99% 确定输入具有索引为 2 的标签,并且 1% 确定输入具有索引为 0 的标签。
我的问题是:回归任务是否有等价物?
如果我的输出看起来像
y = 0.33
有没有办法衡量模型的“确定性”程度,即输出真的是 0.33?
在分类任务中,我们可以将输出向量解释为模型对输入具有特定标签的“信心”程度。例如,
y = [0.01 0.20 0.99 0.10]
这意味着模型 99% 确定输入具有索引为 2 的标签,并且 1% 确定输入具有索引为 0 的标签。
我的问题是:回归任务是否有等价物?
如果我的输出看起来像
y = 0.33
有没有办法衡量模型的“确定性”程度,即输出真的是 0.33?
有许多方法可以评估回归算法的不确定性。
有一些模型相关的方法,贝叶斯方法允许您获得预测分布而不是输出,从而可以评估置信区间。您可以将此方法应用于线性模型以及 DNN。
还有无模型方法作为引导或分位数回归,允许您评估不确定性,同时将预测算法视为黑盒模型
对于回归,更常见的是查看置信区间。您选择一个确定性水平或置信区间/带,并根据这些值计算下限和上限。
参考: https ://stackoverflow.com/questions/27116479/calculate-confidence-band-of-least-square-fit