🎯 دوشنبههای Data Elites | مدل فقط پیشبینی نکند؛ بگوید چقدر مطمئن است!
فرض کنید یک مدل میگوید:
🏠 قیمت خانه: ۵ میلیارد
📈 فروش ماه آینده: ۱۰ هزار واحد
🩺 بیمار: پرریسک
اما سؤال مهمتر این است:
چقدر میتوان به این پیشبینی اعتماد کرد؟
اینجاست که MAPIE وارد میشود؛ یک کتابخانه متنباز Python برای Conformal Prediction و Uncertainty Quantification که کمک میکند بهجای یک پیشبینی خشک، عدمقطعیت مدل را هم ببینیم.
مثلاً بهجای اینکه مدل فقط بگوید:
❌ قیمت خانه = ۵ میلیارد
میتواند بگوید:
✅ قیمت احتمالی با پوشش ۹۰٪ بین ۴.۳ تا ۵.۸ میلیارد تومان است.
MAPIE برای مسائل مختلفی مثل:
🔹 Regression
🔹 Classification
🔹 Time Series
🔹 Prediction Intervals
🔹 Prediction Sets
🔹 Calibration & Risk Control
قابل استفاده است.
نسخه جدید MAPIE 1.5.0 هم قابلیتهای تازهای در زمینه Conditional Conformal Prediction، Quantile Regression، Calibration و Risk Control اضافه کرده؛ یعنی ابزار دارد جدیتر وارد دنیای Trustworthy Machine Learning میشود.
و این دقیقاً همان چیزی است که در پروژههای واقعی اهمیت دارد:
یک مدل خوب فقط جواب نمیدهد؛ باید بتواند بگوید این جواب چقدر قابل اعتماد است
🔗 GitHub
🎞 YouTube

GitHub
GitHub - scikit-learn-contrib/MAPIE: A scikit-learn-compatible library for estimating prediction intervals and controlling risks…
A scikit-learn-compatible library for estimating prediction intervals and controlling risks, based on conformal predictions. - scikit-learn-contrib/MAPIE
2
2August 10, 2026 358 7