Recalibration of Gaussian Neural Network regression models : the recalibratiNN package

Abstract

Redes Neurais Artificiais (ANNs) são modelos poderosos em aprendizado de representações, conhecidos por seu alto desempenho preditivo. No entanto, suas previsões não são calibradas, levando a estimativas de incerteza pouco confiáveis. Diversos métodos de recalibração foram propostos para abordar essa questão. Entretanto, implementar e selecionar a técnica apropriada pode ser desafiador. Este projeto teve como objetivo desenvolver um pacote em R que fornece uma implementação computacional de uma técnica quantílica de pós-processamento. As funções fornecidas podem recalibrar modelos Gaussianos, como redes neurais ajustadas com a função de perda MSE. O método faz uso das probabilidades cumulativas do modelo ajustado, permitindo a geração de amostras de Monte Carlo de uma distribuição preditiva desconhecida, mas recalibrada. O pacote recalibratriNN também inclui funções de diagnóstico para visualizar a falta de calibração. Acreditamos que a disponibilidade de um conjunto de ferramentas amigável e otimizado facilitará o processo de recalibração e incentivará pesquisadores e profissionais a obterem estimativas de incerteza confiáveis de seus modelos Gaussianos, permitindo e incentivando práticas de calibração.