Aprendizado estatístico de máquina - em direção a uma melhor quantificação de incerteza

Resumo

Aprendizado de Máquina (ML) e Estatística surgiram como disciplinas poderosas no campo da análise de dados, cada uma oferecendo perspectivas e metodologias únicas para extrair insights valiosos de conjuntos de dados complexos. O objetivo deste trabalho é investigar como a estatística pode avaliar efetivamente a incerteza dos métodos de ML.A proposta consiste em três objetivos interconectados que abordam diferentes aspectos da quantificação da incerteza. O Objetivo 1 concentra-se no desenvolvimento de intervalos de previsão escaláveis com cobertura condicional assintótica baseados em métodos de regressão. Nosso objetivo é superar as limitações dos métodos existentes que ou não possuem garantias de cobertura ou não se adaptam bem a espaços de covariáveis de dimensões mais altas. Com base no trabalho do Objetivo 1, o Objetivo 2 visa recalibrar distribuições preditivas completas (PDs) para alcançar calibração individual ou condicional. Ao avaliar e direcionar a cobertura condicional em todo o espaço de covariáveis, buscamos melhorar a confiabilidade das PDs e fornecer incertezas por observação. Por fim, o Objetivo 3 expande o escopo da quantificação da incerteza, concentrando-se em medir a incerteza epistêmica associada às densidades condicionais estimadas. Ao desenvolver novas técnicas para quantificar a incerteza na estimativa de densidade condicional, possibilitaremos estimativas de parâmetros, previsões e processos de tomada de decisão mais robustos em diversas disciplinas. (AU)