Além disso, este repositório inclui implementações do Plackett-Luce Gibbs
amostrador (pl_samplers.py), probabilistic irn (irn.py),
sobreposição média parcial (ranking_metrics.py) e top-k em geral
(agregado) Métricas de cobertura e precisão (classificação_metrics.py).Isso provavelmente será mais interessante para a previsão conforme padrão
(conformal_prediction.py), Monte Carlo Previsão conformada
(Monte_carlo.py), combinação de valor p (p_value_combination.py) e
Regiões de plausibilidade (Plausibility_regions.py) Métodos de [1].Especificamente, enquadramos a agregação de anotações como inferência posterior das chamadas plausibilidades, representando distribuições sobre as classes em uma configuração de classificação, sujeitas a uma confiabilidade do anotador que codifica hiper-parâmetros.Se não for esse o caso (por exemplo,,
Path lista uma instalação local em python em ~/ .local/ primeiro), isso pode
Causar problemas.Essa incerteza é ignorada ao estimar a verdade fundamental, agregando deterministicamente as anotações, por exemplo, por votação ou média da maioria.
Fonte: https://github.com/google-deepmind/uncertain_ground_truth
