问神经网络预测的置信度计算

EN

一种估计我们对ANN预测的置信度的方法是使用退出扰动。这一想法是在本论文中提出的:作为贝叶斯近似的退出。表示深度学习中的模型不确定性。其核心思想是将辍学作为一种扰动方法，并检查预测结果如何随辍学率的变化而变化。一旦你取样了足够数量的“扭曲预测”，你就可以估计出类似于初始模型预测的置信区间。这种技术既适用于分类器，也适用于回归器。

您可以阅读对这种方法的解释，这里。

编辑：

更确切地说：

为了实现这一技术，使用Dropout()层，它们也可以用于预测阶段(不仅仅是在训练期间)。你可以训练你的神经网络，然后把它的权重转移到另一个具有相同架构+辍学层的神经网络中。类似于：

new_model.set_weights(original_model.get_weights())

一旦有了Dropout()的新的ANN有了它的权重，运行它并改变它的辍学超视距，得到预测和计算顺式。我知道这很费时，所以只有当你认为它真的值得的时候，才去做。另一种可能的实现方法可以使用自定义层完成，如：

model.add(Lambda(lambda x: K.dropout(x, level=0.5)))