ConvNet_Uncertainty：使用Dropout计算不确定性

灵敏度分析库（SALib） 常用的敏感性分析方法的Python实现。 在系统建模中有用，可用于计算模型输入或外部因素对目标输出的影响。 文档： 要求： ， ， ， ，Python 3（从SALib v1.2开始，SALib不正式支持Python 2） 安装： pip install SALib或python setup.py install或conda install SALib 生成状态： 测试范围： SALib纸： Herman, J., Usher, W., (2017), SALib: An open-source Python library for Sensitivity Analysis, Journal of Open Source Software, 2(9), 97, doi:10.21105/joss.00097 方法包括： Sobol

Uncertainty Quantification and Predictive Computational Science 中文 part1

CatBoostLSS-CatBoost扩展到概率预测 我们提出了一个的新框架，该框架可预测单变量响应变量的整个条件分布。特别是， CatBoostLSS可以对参数分布的所有矩进行建模，即均值，位置，比例和形状（LSS），而不仅仅是条件均值。从广泛的连续分布，离散分布和混合离散连续分布中进行选择，对整个条件分布进行建模和预测可以大大增强CatBoost的灵活性，因为它可以使您对数据生成过程有更多的了解，并可以创建概率预测从中可以得出感兴趣的预测间隔和分位数。在下文中，我们简要介绍了CatBoostLSS的功能。 例子 模拟 我们从模拟的数据集开始，该数据集表现出异方差性，而其兴趣在于预测5％和95％的分位数。有关数据生成过程的详细信息，请参见。红色的点表示位于5％和95％分位数之外的点，由黑色虚线表示。 让我们将CatBoostLSS拟合到数据中。通常，语法类似于原始的CatBoost实现

Probability for Machine Learning Discover How To Harness Uncertainty With Python by Jason Brownlee 28 step-by-step lessons, 312 pages. distributions, estimation, more. 概率是机器学习的基石。没有机器学习，你就无法对机器学习产生深刻的理解和应用。 切开方程、希腊字母和混淆，并发现您需要了解的概率主题。 使用清晰的解释、标准的 Python 库和分步教程课程，您将发现概率对机器学习、贝叶斯概率、熵、密度估计、最大可能性等的重要性。

Probability is the bedrock of machine learning. You cannot develop a deep understanding and application of machine learning without it. Cut through the equations, Greek letters, and confusion, and discover the topics in probability that you need to know. Using clear explanations, standard Python libraries, and step-by-step tutorial lessons, you will discover the importance of probability to machine learning, Bayesian probability, entropy, density estimation, maximum likelihood, and much more.

matlab模拟太阳系的代码太阳能光伏发电模型的不确定性 本笔记本说明了合并来自精确辐射站的测得太阳辐照度数据的价值，以提供太阳能光伏（PV）发电模型的不确定性分析。 大多数光伏设计工具都依赖于TMY数据（典型气象年的简称），而TMY数据并不是在考虑太阳能应用的情况下设计的（它显示的是典型的气象年而不是典型的太阳年。或者，如Frank Vignola（2012）说： “要开发一个可靠的，可信赖的数据集，重要的是要了解资源的可变性以及数据各组成部分中不确定性的性质……TMY文件可能适合进行初始评估，它们通常不构成可信赖的数据集。” 此外，“ ...如果将TMY文件用于估算太阳系的性能，则应进行长期数据集与TMY平均值之间的比较。对于仅用11年创建的TMY3数据文件尤其如此。数据的。” Vignola，Frank E.，Andrew C.McMahan和Catherine N.Goverr。 “可银行的太阳辐射数据集。” 太阳能预测和资源评估（2013年）。 如果您正在通过Web（使用BINDER）浏览此文件，请阅读以下内容！ 不要从NOAA下载文件 当提示您插入开始和结束年份时，请使用2

计算机视觉Github开源论文

计算机视觉Github开源论文 PITFALLS OF IN-DOMAIN UNCERTAINTY ESTIMATION AND ENSEMBLING IN DEEP LEARNING

UC 类重载了基本的 Matlab 操作以允许通过计算传播错误。 主要特点包括： 1. 适当的自相关跟踪。 在以下示例中，x1、x2 和 x3 都将返回相同的值 a = UC(10,4,'a'); b = UC(100,1,'b'); c = UC(95,2,'c'); x1 = a*(b - c); x2 = a*b - a*c； y1 = a*b; y2 = a*c; x3 = y1 - y2; 并且 a/a 将返回 1 +/- 0 ，因为它应该。 2、通过运营完成贡献跟踪。 每个输入对最终不确定度的部分贡献被报告为导出的数量。 可以使用名称创建 UC 对象，该名称将用于此贡献跟踪。 那些没有名字的人会被分配一个随机的名字。 3. 一元函数和二元函数的统一定义，方便向UC类添加新函数。 例如，切线函数的定义是： 函数 y = tan(x) y = UC.UnaryFuncti