Konformal Tahmin
Conformal Prediction (Distribution-Free Prediction Sets) · Ayrıca şöyle bilinir: Conformal Inference, Conformal Risk Control, Inductive Conformal Prediction, Uyumsal Tahmin
Konformal Tahmin, önceden eğitilmiş herhangi bir makine öğrenimi modelinin çıktısı etrafında istatistiksel olarak geçerli tahmin kümeleri (sınıflandırma için) veya tahmin aralıkları (regresyon için) oluşturmaya yönelik dağılımdan bağımsız bir çerçevedir. Vovk, Gammerman ve Shafer tarafından 2005 tarihli monograflarında tanıtılan bu yöntem, veri dağılımı hakkında parametrik varsayımlar gerektirmeksizin, sonlu örneklem marjinal kapsama garantisi sağlar — gerçek etiket, en az 1-alfa olasılıkla tahmin kümesinin içinde yer alır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Modelin belirsizlik çıktısı üzerinde dağılımsal varsayımlar olmaksızın kesin, sonlu örneklem kapsama garantilerine ihtiyaç duyduğunuzda Konformal Tahmin'i kullanın. Hem sınıflandırma hem de regresyon görevleri için uygundur, test verileriyle aynı dağılımdan gelen kalibrasyon verileri mevcut olduğunda kullanılabilir. Sınırlamaları arasında değişebilirlik varsayımı (kovaryat kayması altında ihlal edilir) ve kapsamanın koşullu olmaktan ziyade marjinal olması yer alır, bu da bazı alt grupların eksik veya fazla kapsanabileceği anlamına gelir. Alternatifler arasında Bayes güven aralıkları (dağılımsal varsayımlar gerektirir) ve kantil regresyon (konformal sarmalama olmadan sonlu örneklem garantisi yok) bulunur.
Güçlü yönler & sınırlılıklar
- Herhangi bir temel model için geçerli, sonlu örneklem, dağılımdan bağımsız marjinal kapsama garantileri sağlar.
- Model-agnostik: Yeniden eğitim gerektirmeden önceden eğitilmiş herhangi bir sınıflandırıcı veya regresörü sarar.
- Çıkarım zamanında hesaplama açısından hafiftir — yalnızca kalibrasyon skorlarını saklamayı ve bir kantil hesaplamayı gerektirir.
- Esnek uyumsuzluk skorları, nesne tespiti ve doğal dil üretimi dahil olmak üzere çeşitli görevlere uyum sağlamaya olanak tanır.
- Kapsama garantisi marjinaldir (test girdileri üzerinden ortalama alınır), her bir x'e koşullu değildir.
- Kalibrasyon ve test verilerinin değişebilirliğini varsayar; kovaryat veya etiket kayması altında performans düşer.
- Temel model zayıf olduğunda veya hedef yanlış kapsama oranı alfa küçük olduğunda tahmin kümeleri bilgilendirici olmayan derecede büyük olabilir.
- Bölünmüş-konformal yöntemler, eğitim için mevcut veriyi azaltan özel bir kalibrasyon kümesi gerektirir.
SSS
Konformal Tahmin, verilerin dağılımını bilmeyi gerektirir mi?
Hayır. Marjinal kapsama garantisi yalnızca değişebilirlik varsayımına dayanır — kabaca kalibrasyon ve test noktalarının aynı dağılımdan bağımsız ve özdeş dağılmış (i.i.d.) olarak çekildiği varsayımına. Belirli bir parametrik aile belirtmeye gerek yoktur, bu da çerçeveyi 'dağılımdan bağımsız' kılar. Bu, Bayes güven aralıkları ve normalliğe dayalı klasik güven aralıklarına göre birincil teorik avantajıdır.
Kalibrasyon kümesi boyutu nasıl seçilir ve sonuçları nasıl etkiler?
Daha büyük bir kalibrasyon kümesi, daha sıkı, daha kararlı bir ampirik kantil tahmini sağlayarak daha küçük tahmin kümeleriyle sonuçlanır. Yaygın bir kural, en az birkaç yüz kalibrasyon örneğidir. Çok küçük kalibrasyon kümeleriyle (1/alfa noktasından az) sonlu örneklem düzeltmesi, tam kapsama kümelerini zorlar ve yöntemi bilgilendirici olmaktan çıkarır. Eğitim kümesi boyutu ile kalibrasyon kümesi boyutu arasında standart bir yanlılık-varyans değiş tokuşu vardır.
Konformal Tahmin, derin sinir ağlarına uygulanabilir mi?
Evet. Çerçeve model-agnostik olduğu için, herhangi bir sinir ağını değişiklik yapmadan sarar. Uyumsuzluk skoru tipik olarak sınıflandırma için modelin softmax çıktısı veya regresyon için nokta tahmini kullanılarak tanımlanır. Hesaplama açısından, kalibrasyon yalnızca kalibrasyon kümesi üzerinde tek bir ileri geçiş gerektirir, bu da büyük modeller için oldukça pratik olmasını sağlar.
Kaynaklar
- Vovk, V., Gammerman, A., & Shafer, G. (2005). Algorithmic Learning in a Random World. Springer. ISBN: 978-0-387-00152-4
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 2). Conformal Prediction (Distribution-Free Prediction Sets). ScholarGate. https://scholargate.app/tr/machine-learning/conformal-prediction
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Model KalibrasyonuMakine öğrenmesi↔ karşılaştır
- Belirsizlik KuantifikasyonuSimülasyon↔ karşılaştır