방법
- Tabs: 1 Aleatoric & Epistemic · 2 Ensembles · 3 Calibration · 4 Conformal Prediction
- 합성: y=sin(1.5x)+σZ, Z~N(0,1), 표본 90개 이전, 빈 구간 제거. kernel bandwidth 0.35, bootstrap 20개.
- 앙상블: bootstrap MLP 5–20개, 은닉 12개, 100 epochs. σ 0.05–0.8, 빈 구간 0–3.
- 보정: 이진 MLP 130 epochs, 10개 확률 구간 ECE, 보정 NLL로 T 선택(0.25–4, 간격 0.05).
- Conformal: 절대 잔차, ceil((n+1)coverage), 목표 80–99%.
- 학습 여부: 브라우저에서 직접 학습. 사전 학습 가중치 없음.
- 소프트웨어: 자체 JavaScript v1.0, KaTeX 0.16.11(MIT, 수식 표시만).
- 본문 작성 보조: OpenAI Codex. 본문은 고정 텍스트이며 실행 중 LLM 호출은 없다.
- 수식 표시 파일·woff2 글꼴은 폴더에 포함한다. 실행 중 외부 리소스를 요청하지 않는다.
데이터
- 원본 데이터의 출력값은 실제 관측값이며 모델 예측은 브라우저에서 새로 계산한다.
- 분할: 시드 고정 60% 학습·20% 보정·20% 평가. 표준화는 학습 데이터에만 맞춘다.
- 사용자 입력 저장: 없음. 표시 설정만 기기에 저장한다.
- Concrete Compressive Strength: 1,030행 전체, Yeh (1998), UCI, CC BY 4.0. XLS를 수치 JSON으로 변환했다.
- 원본의 완전 중복 25행을 유지했다. 성능 수치는 무작위 행 분할 기준이며 새 배합군에 대한 검증이 아니다.
검증
- 기본 MLP conformal: 목표 90%, 평가 포함률 93.6893%, 평균 구간 폭 21.5723 MPa.
- 트리·20개 분할 시드의 90% conformal 평균 포함률 89.6359%. ECE 손계산 예 0.3, 유한표본 순위 검사 통과.
범위
- 매개변수 범위는 각 체험 입력에 표시하며 교육용으로 정한 값이다.
출처
- Efron (1979). Bootstrap Methods: Another Look at the Jackknife. Annals of Statistics.
- Lakshminarayanan, Pritzel & Blundell (2017). Simple and Scalable Predictive Uncertainty Estimation using Deep Ensembles.
- Yeh (1998). Concrete Compressive Strength. UCI Machine Learning Repository. CC BY 4.0.
- Guo et al. (2017). On Calibration of Modern Neural Networks. PMLR 70.
- Angelopoulos & Bates (2023). Conformal Prediction: A Gentle Introduction.
이력
- 2026-10-27 · v1.0 · 공개