lucidrains/hl-gauss-pytorch
این پروژه یک پیاده‌سازی پایتونی از Gaussian Histogram Loss (HL-Gauss) معرفی‌شده توسط ایمانی و همکارانش را ارائه می‌دهد، که برای مسائل رگرسیون در یادگیری ماشین طراحی شده است.
کاربرد:
این تابع ضرر (loss function) به جای پیش‌بینی مستقیم یک مقدار عددی، توزیع احتمالی آن مقدار را مدل می‌کند. این روش در مسائلی که خروجی‌ها دارای عدم قطعیت ذاتی هستند (مثل پیش‌بینی قیمت، زمان یا دما) بسیار مفید است. ️
در چه شرایطی بهتره استفاده شود؟
وقتی که داده‌های هدف دارای پراکندگی یا نویز بالایی هستند و مدل باید بتواند میزان اطمینان خود را در پیش‌بینی نشان دهد، استفاده از HL-Gauss مناسب‌تر از lossهای سنتی مثل MSE است. همچنین برای مدل‌هایی که نیاز به خروجی احتمالاتی دارند، عالی است.
چند مثال از موارد استفاده:
- پیش‌بینی قیمت مسکن با در نظر گرفتن نوسانات بازار ️
- تخمین زمان تحویل سفارش با در نظر گرفتن تأخیرهای احتمالی
- مدل‌سازی دمای آینده در شرایط آب‌وهوایی متغیر ️
- ##Regression
- ##UncertaintyEstimation
- ##PyTorch
- ##LossFunction
- ##ProbabilisticML
- ##DeepLearning
- ##HLGauss
- ##GaussianLoss
- ##MachineLearning
- ##NeuralNetworks