一种用于人工智能模型的校准方法技术

基于人工智能的检测仪器越来越普及，但人工智能检测仪器的校准是一个一直没有得到很好解决的难题，其中，人工智能模型的校准方法的缺失是造成这一被动局面的关键。建立人工智能模型(AI模型)后，利用AI模型对未知点进行预测,不能仅仅满足于预测点的取值，更重要的是要能够给出预测点在某一置信度下的置信区间。然而，目前的AI模型建模方法中，普遍未能给出AI模型置信区间的计算公式。本发明专利技术提出一种用于人工智能模型的校准方法，其利用AI模型的训练样本集，通过K折交叉验证方法构造出预测结果的误差集。当AI模型的训练样本数大于30个时，将Z检验法则与独立于AI模型之外的主元法相结合，以确定AI模型在给定置信度下的置信区间。当AI模型的训练样本数不超过30个时，将t检验法则与独立于AI模型之外的主元法相结合，以确定AI模型在给定置信度下的置信区间。与现有技术相比，本发明专利技术技术方案的有益效果是：通过AI模型，不仅能够给出预测点的取值，而且能够给出预测点在某一置信度下的置信区间，为人工智能检测仪器的校准奠定了基础。

A calibration method for artificial intelligence model

【技术实现步骤摘要】
一种用于人工智能模型的校准方法
本专利技术涉及计量领域，更具体地，涉及一种用于人工智能模型的校准方法。
技术介绍
人工智能在社会经济发展中正发挥越来越重要的作用，随着人工智能与虚拟仪器的深度结合，更具智慧的检测仪器正在迎来蓬勃发展的契机，校准是任何仪器都不可或缺的核心环节，然而,目前的AI模型建模方法中，普遍未能给出AI模型置信区间的计算公式，导致人们在建立人工智能模型(AI模型)后，能够利用AI模型对未知点进行预测,但仅能获得预测点的取值，不能给出预测点在某一置信度下的置信区间，这一缺陷，严重制约了更具智慧的检测仪器的发展空间。Z检验法则及t检验法则的发展，为检验总体误差的平均值和单点误差是否有统计关联，提供了理论依据。独立于AI模型之外的主元法，给出了一般分布情况下置信区间计算的基本理论，为AI模型置信区间的计算奠定了理论基础。根据AI模型的特点，将Z检验法则及t检验法则分别与独立于AI模型之外的主元法相结合，为AI模型置信区间的计算带来了希望。本专利技术正是在这一背景下提出的。专利
技术实现思路
针本文档来自技高网...

【技术保护点】
1.一种用于人工智能模型的校准方法，其特征在于：通过K折交叉验证方法构造出预测结果的误差集，当用于AI模型训练的样本数大于30个时，将Z检验法则与独立于AI模型之外的主元法相结合，以确定AI模型在给定置信度下的相对置信区间；当用于AI模型训练的样本数不超过30个时，则将t检验法则与独立于AI模型之外的主元法相结合，以确定AI模型在给定置信度下的置信区间，具体实施步骤如下：/nS1：利用AI模型的训练样本集，制定K折交叉验证规划，对AI模型进行K折交叉验证；/nS2：利用K折交叉验证的训练样本集与相同规模的预测样本集，构造误差集；/nS3：构造单点预测的误差表达式；/nS4：当用于AI模型训练的...

【技术特征摘要】
1.一种用于人工智能模型的校准方法，其特征在于：通过K折交叉验证方法构造出预测结果的误差集，当用于AI模型训练的样本数大于30个时，将Z检验法则与独立于AI模型之外的主元法相结合，以确定AI模型在给定置信度下的相对置信区间；当用于AI模型训练的样本数不超过30个时，则将t检验法则与独立于AI模型之外的主元法相结合，以确定AI模型在给定置信度下的置信区间，具体实施步骤如下：
S1：利用AI模型的训练样本集，制定K折交叉验证规划，对AI模型进行K折交叉验证；
S2：利用K折交叉验证的训练样本集与相同规模的预测样本集，构造误差集；
S3：构造单点预测的误差表达式；
S4：当用于AI模型训练的样本数大于30个时，将Z检验法则与独立于AI模型之外的主元法相结合，以确定AI模型在给定置信度下的置信区间；
S5：当用于AI模型训练的样本数不超过30个时，将t检验法则与独立于AI模型之外的主元法相结合，以确定AI模型在给定置信度下的置信区间。


2.根据权利要求1所述的一种用于人工智能模型的校准方法，其特征在于：步骤S1“利用AI模型的训练样本集，制定K折交叉验证规划，对AI模型进行K折交叉验证”，其过程与内容，可以完全包含在AI模型的训练与优选的过程与内容中，或者说，在本发明技术方案的第一阶段，并不需要其他额外的工作，只需充分利用AI模型的正常训练...

【专利技术属性】
技术研发人员：涂晓威，雷正保，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：湖南;43