Conformal Prediction

Conformal Prediction es un marco de trabajo libre de distribuciones para construir conjuntos de predicción (para clasificación) o intervalos de predicción (para regresión) estadísticamente válidos alrededor de la salida de cualquier modelo de aprendizaje automático preentrenado. Introducido por Vovk, Gammerman y Shafer en su monografía de 2005, proporciona una garantía de cobertura marginal en muestras finitas —la etiqueta verdadera cae dentro del conjunto de predicción con una probabilidad de al menos 1-alfa— sin requerir supuestos paramétricos sobre la distribución de los datos.