Fortuna库使用指南

Fortuna库使用指南

fortuna A Library for Uncertainty Quantification. 项目地址: https://gitcode.com/gh_mirrors/fo/fortuna

---

1. 项目介绍

Fortuna 是由 AWS Labs 开发的一个不确定性量化库，致力于简化预测不确定性的评估过程，这对于涉及关键决策的应用至关重要。它支持从预训练模型中获得的不确定性估计和校准方法，并且提供了从基本的神经网络到更复杂的贝叶斯推断方法的全面解决方案。Fortuna设计直观，适合于不熟悉不确定性量化但希望将其引入生产系统的实践者，其高度可配置性确保了广泛的适用性。

2. 项目快速启动

要快速开始使用 Fortuna，首先确保您的虚拟环境中已安装了JAX。然后，通过pip或Poetry安装Fortuna：

pip install aws-fortuna
# 或者，如果您选择使用Poetry
# 先安装Poetry，之后执行
poetry install

接下来，我们以最简单的从模型输出开始的例子来展示如何使用Fortuna。假设您有一个模型并获得了验证集和测试集的输出：

from fortuna.output_calib_model import OutputCalibClassifier

# 假定val_outputs和test_outputs是您模型的输出
# val_targets为验证集标签
calib_model = OutputCalibClassifier()
status = calib_model.calibrate(outputs=val_outputs, targets=val_targets)
test_predictions = calib_model.predict(outputs=test_outputs)

这个例子展示了如何对分类模型的输出进行校准，从而得到更加可靠的预测结果。

3. 应用案例和最佳实践

案例一：不确定性校准

在二分类任务中，如果您已经有一套模型输出，可以通过Fortuna进行概率校准，提升模型预测的概率估计质量。

# 继续使用上面初始化的calib_model
# 校准后，可以获取校准后的预测概率
calibrated_probs = calib_model.predict_probabilistic(outputs=test_outputs)

最佳实践

• 在使用不确定性量化之前，确保模型的基础性能稳定。
• 利用Fortuna的多种模式（从不确定性估计、模型输出或Flax模型）根据实际应用场景选择最合适的方法。
• 对于深度学习模型，考虑使用From Flax Models模式以获得更好的不确定性估计。

4. 典型生态项目

尽管Fortuna本身作为一个独立的库提供服务，但在AWS生态系统中，它可以与多个服务和框架集成，特别是当部署到如Amazon SageMaker这样的云原生环境下时。这使得在云端进行模型的不确定性量化和部署变得更加高效。例如，在SageMaker中，开发者可以利用Fortuna轻松构建和部署具有不确定性估计能力的机器学习模型，这对于需要高可靠性预测的场景尤为重要。

为了在SageMaker上使用Fortuna，您可能需要设置特定的环境并遵循AWS提供的集成指导，虽然详细的步骤未直接列出在此文内，但是建议查阅AWS官方文档以了解具体实施细节。

---

通过以上步骤，您可以开始探索Fortuna的强大功能，将不确定性量化融入您的数据分析和机器学习项目中，从而提高模型应用的安全性和可靠性。

fortuna A Library for Uncertainty Quantification. 项目地址: https://gitcode.com/gh_mirrors/fo/fortuna