MAPIE - 模型无关预测区间估计器

MAPIE是一个开源的Python库，用于量化不确定性并控制机器学习模型的风险。作为scikit-learn-contrib项目，它允许您：

轻松计算具有受控（或保证）边际覆盖率的一致预测区间（或预测集）适用于回归[3,4,8]、分类（二分类和多分类）[5-7]和时间序列[9]。
轻松控制更复杂任务的风险，如多标签分类、计算机视觉中的语义分割（对召回率、精确度等的概率保证）[10-12]。
轻松包装任何模型（scikit-learn、tensorflow、pytorch等），如果需要，可以使用与scikit-learn兼容的包装器 用于上述目的。

以下是MAPIE模型在回归和分类问题中与不确定性量化相关的快速实例化示例（更多详情请参阅快速入门部分）：

.. code:: python

# 回归问题的不确定性量化
from mapie.regression import MapieRegressor
mapie_regressor = MapieRegressor(estimator=regressor, method='plus', cv=5)

.. code:: python

# 分类问题的不确定性量化
from mapie.classification import MapieClassifier
mapie_classifier = MapieClassifier(estimator=classifier, method='score', cv=5)

MAPIE中实现的方法遵循三个基本原则：

它们是模型和用例无关的，
它们在对数据和模型的最小假设下具有理论保证，
它们基于经同行评审的算法并遵循编程标准。

MAPIE主要依赖于一致预测和无分布推断领域。

🔗 要求

MAPIE在Python 3.7+上运行。
MAPIE站在巨人的肩膀上。它的唯一内部依赖项是scikit-learn <https://scikit-learn.org/stable/>和numpy=>1.21 <https://numpy.org/>。

🛠 安装

MAPIE可以通过不同方式安装：

.. code:: sh

$ pip install mapie  # 通过`pip`安装
$ conda install -c conda-forge mapie  # 或通过`conda`安装
$ pip install git+https://github.com/scikit-learn-contrib/MAPIE  # 或直接从github仓库安装

⚡ 快速入门

这里我们提供两个基本的不确定性量化问题，分别针对scikit-learn的回归和分类任务。

由于MAPIE与标准的scikit-learn API兼容，您可以看到只需这几行代码：

如何轻松地将您喜欢的兼容scikit-learn的模型包装在您的模型周围。
如何轻松地遵循标准的顺序fit和predict过程，就像任何scikit-learn估计器一样。

.. code:: python

# 回归问题的不确定性量化
import numpy as np
from sklearn.linear_model import LinearRegression
from sklearn.datasets import make_regression
from sklearn.model_selection import train_test_split

from mapie.regression import MapieRegressor


X, y = make_regression(n_samples=500, n_features=1)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5)

regressor = LinearRegression()

mapie_regressor = MapieRegressor(estimator=regressor, method='plus', cv=5)

mapie_regressor = mapie_regressor.fit(X_train, y_train)
y_pred, y_pis = mapie_regressor.predict(X_test, alpha=[0.05, 0.32])

.. code:: python

# 分类问题的不确定性量化
import numpy as np
from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_blobs
from sklearn.model_selection import train_test_split

from mapie.classification import MapieClassifier


X, y = make_blobs(n_samples=500, n_features=2, centers=3)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.5)

classifier = LogisticRegression()

mapie_classifier = MapieClassifier(estimator=classifier, method='score', cv=5)

mapie_classifier = mapie_classifier.fit(X_train, y_train)
y_pred, y_pis = mapie_classifier.predict(X_test, alpha=[0.05, 0.32])