فواصل اعتماد به نفس ابزار آماری مورد استفاده برای برآورد دامنه است که در آن یک ارزش واقعی احتمالا بر اساس داده های نمونه سقوط می کند، آنها یک اندازه عدم اطمینان در مورد پیش بینی ها را ارائه می دهند و به ارزیابی قابلیت اطمینان خروجی های مدل کمک می کنند.

تعادل اعتماد چیست؟

فاصله اعتماد به نفس یک محدوده محاسبه شده از داده است که احتمالا حاوی مقدار پارامتر واقعی با احتمال مشخص است که به عنوان سطح اعتماد به نفس رایج 90، 95٪ و 99٪ است.

هماهنگی اعتماد در یادگیری ماشین

فواصل اطمینان محاسبه برای پیش بینی های یادگیری ماشین شامل روش های آماری است که برای تنوع داده ها و عدم اطمینان مدل حساب می شود.یک رویکرد مشترک استفاده از نمونه برداری بوت استرپ است که در آن مدل های متعدد در زیر مجموعه های داده مختلف آموزش داده می شوند تا تنوع پیش بینی را تخمین بزنند.

روش دیگر این است که توزیعی برای خطاهای پیش بینی شده و فاصله را بر اساس انحراف استاندارد و معنای این خطا ها محاسبه کنیم.این رویکرد اغلب با مدل های رگرسیونی که باقی مانده ها مورد تجزیه و تحلیل قرار می گیرند، استفاده می شود.

تفسیر اعتماد متقابل

یک فاصله اعتماد به نفس محدوده ای را فراهم می کند که احتمالا حاوی ارزش واقعی پیش بینی است.برای مثال، یک فاصله اطمینان 95 درصد به این معنی است که اگر همان فرآیند چندین بار تکرار شود، تقریبا 95 درصد از فواصل آن حاوی ارزش واقعی خواهد بود.

مهم است که درک کنیم که فواصل اعتماد به نفس ارزش واقعی را در فاصله برای پیش بینی خاص تضمین نمی کند، بلکه قابلیت اطمینان فرآیند برآورد را بر روی بسیاری از نمونه ها منعکس می کند.

برنامه های کاربردی در یادگیری ماشین

فواصل اعتماد در وظایف مختلف یادگیری ماشین مفید است، از جمله:

  • بررسی عدم قطعیت پیش بینی های بازگشت
  • برآورد اهمیت
  • مقایسه مدل و اعتبار
  • تصمیم گیری در عدم قطعیت