Záznam dôkazov metódy

Conformal Prediction

Conformal Prediction is a distribution-free framework for constructing statistically valid prediction sets (for classification) or prediction intervals (for regression) around the output of any pre-trained machine learning model. Introduced by Vovk, Gammerman, and Shafer in their 2005 monograph, it provides a finite-sample marginal coverage guarantee — the true label falls inside the prediction set with at least 1-alpha probability — without requiring parametric assumptions about the data distribution.

Sources recorded, not reviewed

Zdrojový záznam

Citácie skopírované doslovne zo zdrojového záznamu metódy. Nevyplýva z nich žiadne overenie na úrovni tvrdenia.

Conformal Prediction (Distribution-Free Prediction Sets)

Taxonomický záznam metódy · ml-model / machine-learning

Vovk, V., Gammerman, A., & Shafer, G. (2005). Algorithmic Learning in a Random World. Springer. · ISBN 978-0-387-00152-4

Otvoriť celú metódu

Spracované tvrdenia

Tvrdenia uložené v registri dôkazov, každé s vlastným hodnotením.

Zatiaľ žiadne spracované tvrdenia

Tento pohľad nevymýšľa hodnotenie tvrdenia, ak register žiadne nemá.

Súvisiace metódy

Vygenerované z grafu metód a zobrazené ako vzťahy navrhnuté strojom – nevyplýva z nich žiadne tvrdenie o dôkaze.

Taxonomic bucketModel Calibrationmachine-suggested · Relational suggestion, not evidence.See alsoUncertainty Quantificationmachine-suggested · Relational suggestion, not evidence.