EasyVVUQ EasyVVUQ的目的是促进各种模拟的验证，确认和不确定性量化（VVUQ）。 虽然在简单情况下非常方便，但是EasyVVUQ特别适用于以下情况：模拟的计算量很大，需要异构的计算资源，采样空间很大或簿记非常复杂。 它使用高效的数据库协调执行，具有容错能力，并且可以保存所有进度。 以下是EasyVVUQ可以回答的有关您的代码的一些问题示例： 考虑到输入参数的不确定性，输出的分布是什么？ 每个输入参数占输出方差的百分比是多少？ 还可以让您构造比完整的仿真便宜评估的代理模型。 基本概念在和介绍。 有关将仿真与EasyVVUQ接口的介绍，请参阅笔记本。 可用的分析和采样方法： 多项式混沌展开 随机搭配 蒙特卡罗灵敏度分析 马尔可夫链蒙特卡洛 EasyVVUQ还支持使用以下方法构建代理模型： 多项式混沌展开 随机搭配 高斯过程 支持的计算资源： 传统集群 最简单的

ConvNet_Uncertainty：使用Dropout计算不确定性

灵敏度分析库（SALib） 常用的敏感性分析方法的Python实现。 在系统建模中有用，可用于计算模型输入或外部因素对目标输出的影响。 文档： 要求： ， ， ， ，Python 3（从SALib v1.2开始，SALib不正式支持Python 2） 安装： pip install SALib或python setup.py install或conda install SALib 生成状态： 测试范围： SALib纸： Herman, J., Usher, W., (2017), SALib: An open-source Python library for Sensitivity Analysis, Journal of Open Source Software, 2(9), 97, doi:10.21105/joss.00097 方法包括： Sobol

Uncertainty Quantification and Predictive Computational Science 中文 part1

CatBoostLSS-CatBoost扩展到概率预测 我们提出了一个的新框架，该框架可预测单变量响应变量的整个条件分布。特别是， CatBoostLSS可以对参数分布的所有矩进行建模，即均值，位置，比例和形状（LSS），而不仅仅是条件均值。从广泛的连续分布，离散分布和混合离散连续分布中进行选择，对整个条件分布进行建模和预测可以大大增强CatBoost的灵活性，因为它可以使您对数据生成过程有更多的了解，并可以创建概率预测从中可以得出感兴趣的预测间隔和分位数。在下文中，我们简要介绍了CatBoostLSS的功能。 例子 模拟 我们从模拟的数据集开始，该数据集表现出异方差性，而其兴趣在于预测5％和95％的分位数。有关数据生成过程的详细信息，请参见。红色的点表示位于5％和95％分位数之外的点，由黑色虚线表示。 让我们将CatBoostLSS拟合到数据中。通常，语法类似于原始的CatBoost实现

Probability for Machine Learning Discover How To Harness Uncertainty With Python by Jason Brownlee 28 step-by-step lessons, 312 pages. distributions, estimation, more. 概率是机器学习的基石。没有机器学习，你就无法对机器学习产生深刻的理解和应用。 切开方程、希腊字母和混淆，并发现您需要了解的概率主题。 使用清晰的解释、标准的 Python 库和分步教程课程，您将发现概率对机器学习、贝叶斯概率、熵、密度估计、最大可能性等的重要性。

Probability is the bedrock of machine learning. You cannot develop a deep understanding and application of machine learning without it. Cut through the equations, Greek letters, and confusion, and discover the topics in probability that you need to know. Using clear explanations, standard Python libraries, and step-by-step tutorial lessons, you will discover the importance of probability to machine learning, Bayesian probability, entropy, density estimation, maximum likelihood, and much more.

matlab模拟太阳系的代码太阳能光伏发电模型的不确定性 本笔记本说明了合并来自精确辐射站的测得太阳辐照度数据的价值，以提供太阳能光伏（PV）发电模型的不确定性分析。 大多数光伏设计工具都依赖于TMY数据（典型气象年的简称），而TMY数据并不是在考虑太阳能应用的情况下设计的（它显示的是典型的气象年而不是典型的太阳年。或者，如Frank Vignola（2012）说： “要开发一个可靠的，可信赖的数据集，重要的是要了解资源的可变性以及数据各组成部分中不确定性的性质……TMY文件可能适合进行初始评估，它们通常不构成可信赖的数据集。” 此外，“ ...如果将TMY文件用于估算太阳系的性能，则应进行长期数据集与TMY平均值之间的比较。对于仅用11年创建的TMY3数据文件尤其如此。数据的。” Vignola，Frank E.，Andrew C.McMahan和Catherine N.Goverr。 “可银行的太阳辐射数据集。” 太阳能预测和资源评估（2013年）。 如果您正在通过Web（使用BINDER）浏览此文件，请阅读以下内容！ 不要从NOAA下载文件 当提示您插入开始和结束年份时，请使用2

计算机视觉Github开源论文

计算机视觉Github开源论文 PITFALLS OF IN-DOMAIN UNCERTAINTY ESTIMATION AND ENSEMBLING IN DEEP LEARNING