آمار محاسباتی

پیش‌بینی تطابقی: روشی برای کمی‌سازی عدم قطعیت در یادگیری ماشین

پیش‌بینی تطابقی (Conformal Prediction) یک چارچوب یادگیری ماشینی است که با استفاده از مفهوم تطابق‌پذیری داده‌ها، بازه‌های پیش‌بینی (فاصله‌های اطمینان) برای مدل‌های آماری، ماشینی یا عمیق تولید می‌کند. این روش با محاسبه نمرات عدم تطابق روی داده‌های برچسب‌دار قبلی، مجموعه‌های پیش‌بینی را برای داده‌های آزمایشی جدید ایجاد می‌کند. این تکنیک ابتدا در سال ۱۹۹۸ توسط گامرمن، ووک و وپنیک معرفی شد و از آن زمان تاکنون نسخه‌های مختلفی با پیچیدگی‌های محاسباتی و کاربردهای عملی متفاوت توسعه یافته‌اند.