معرفی شرکت ها

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

تبلیغات ما

مشتریان به طور فزاینده ای آنلاین هستند. تبلیغات می تواند به آنها کمک کند تا کسب و کار شما را پیدا کنند.

مشاهده بیشتر

توضیحات

python implementation of Approximate full Conformal Prediction (ACP)

ویژگی	مقدار
سیستم عامل	-
نام فایل	acp-package-0.0.8
نام	acp-package
نسخه کتابخانه	0.0.8
نگهدارنده	[]
ایمیل نگهدارنده	[]
نویسنده	Javier Abad
ایمیل نویسنده	jaabmar@gmail.com
آدرس صفحه اصلی	https://github.com/cambridge-mlg/acp
آدرس اینترنتی	https://pypi.org/project/acp-package/
مجوز	-

This repository contains the Python implementation of [Approximating Full Conformal Prediction at Scale via Influence Functions](https://arxiv.org/abs/2202.01315). * [Overview](#overview) * [Usage](#usage) * [Reference](#reference) ## Overview Approximate full Conformal Prediction (ACP) outputs a prediction set that provably contains the true label with at least a probability specified by the practicioner. In large datasets, ACP inherits the statistical power of full Conformal Prediction, yielding tight prediction sets with validity guarantees. The method works as a wrapper for any differentiable ML model. ## Usage ### Requirements * python 3.6 or higher * numpy * torch * tqdm * pandas ### Installation First of all, install the package: ```bash pip install acp-package ``` ### Constructing valid prediction sets Include the following import in your file: ```bash from acp.methods import ACP_D #Deleted scheme, import ACP_O for the ordinary scheme ``` Now you can use ACP in your own models. The framework is compatible with any PyTorch model with methods `.predict()` and `.fit()`. Once you instantiate your model, wrap ACP around it. ACP allows generating tight prediction sets with validity guarantees. ```bash ACP = ACP_D(Xtrain, Ytrain, model, seed = SEED, verbose = True) sets = ACP.predict(Xtest, epsilon, out_file = "results/test") ``` ## Reference Abad J., Bhatt U., Weller A. and Cherubin G. “Approximating Full Conformal Prediction at Scale via Influence Functions.” 2022. BiBTeX: ``` @inproceedings{Abad2022ApproximatingFC, title={Approximating Full Conformal Prediction at Scale via Influence Functions}, author={Javier Abad and Umang Bhatt and Adrian Weller and Giovanni Cherubin}, year={2022} } ```

زبان مورد نیاز

مقدار	نام
>=3.6	Python

نحوه نصب

نصب پکیج whl acp-package-0.0.8:

pip install acp-package-0.0.8.whl

نصب پکیج tar.gz acp-package-0.0.8:

pip install acp-package-0.0.8.tar.gz