مقدمه
پیشبینی تطابقی (Conformal Prediction) یک چارچوب قدرتمند در یادگیری ماشین است که برای کمیسازی عدم قطعیت در پیشبینیها استفاده میشود. این روش با تولید بازههای پیشبینی (فاصلههای اطمینان) برای مدلهای مختلف، از جمله مدلهای آماری، ماشینی و عمیق، کار میکند. تنها فرضیه آن، تطابقپذیری دادهها است.
چگونگی کارکرد
پیشبینی تطابقی با محاسبه نمرات عدم تطابق روی دادههای برچسبدار قبلی، مجموعههای پیشبینی را برای دادههای آزمایشی جدید ایجاد میکند. کاربر باید یک سطح معنیداری مشخص کند که محدودیت خطای مجاز را تعیین میکند. به عنوان مثال، سطح معنیداری ۰.۱ به این معناست که حداکثر ۱۰٪ پیشبینیها میتوانند اشتباه باشند.
تاریخچه
این روش ابتدا در سال ۱۹۹۸ توسط گامرمن، ووک و وپنیک معرفی شد. نسخهای که امروزه بیشتر شناخته شده است، از مقادیر p-value استفاده میکند و یک سال بعد توسط ساندرز و همکارانش پیشنهاد شد.
کاربردهای عملی
پیشبینی تطابقی در حوزههایی مانند زیستفناوری برای پیشبینی ریسک سرطان سینه و سکته مغزی استفاده شده است. همچنین در پردازش زبان طبیعی، مقالات مرتبط با این تکنیک به طور مرتب در کنفرانس COPA ارائه میشوند.