![](https://cdn-ak-scissors.b.st-hatena.com/image/square/bf488146d848806dafa354dcf651d3b7e48a481e/height=288;version=1;width=512/https%3A%2F%2Fqiita-user-contents.imgix.net%2Fhttps%253A%252F%252Fcdn.qiita.com%252Fassets%252Fpublic%252Farticle-ogp-background-412672c5f0600ab9a64263b751f1bc81.png%3Fixlib%3Drb-4.0.0%26w%3D1200%26mark64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-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%26mark-x%3D142%26mark-y%3D57%26blend64%3DaHR0cHM6Ly9xaWl0YS11c2VyLWNvbnRlbnRzLmltZ2l4Lm5ldC9-dGV4dD9peGxpYj1yYi00LjAuMCZoPTc2Jnc9NzcwJnR4dD0lNDB0b3NoaV80ODg2JnR4dC1jb2xvcj0lMjMxRTIxMjEmdHh0LWZvbnQ9SGlyYWdpbm8lMjBTYW5zJTIwVzYmdHh0LXNpemU9MzYmdHh0LWFsaWduPWxlZnQlMkN0b3Amcz00ODE0ZGZlYzhmYjc3OTVjNjNlOTE1YWEzZTY5MGNjNg%26blend-x%3D142%26blend-y%3D486%26blend-mode%3Dnormal%26s%3Dc64446f74af979dcd6605dfb35af24a7)
エントリーの編集
![loading...](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/common/loading@2x.gif)
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
ニューラルネットワークの予測の不確実性(Monte Carlo dropout・概要編) - Qiita
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
![アプリのスクリーンショット](https://b.st-hatena.com/bdefb8944296a0957e54cebcfefc25c4dcff9f5f/images/v4/public/entry/app-screenshot.png)
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
ニューラルネットワークの予測の不確実性(Monte Carlo dropout・概要編) - Qiita
はじめに Monte Carlo dropoutで予測の不確実性を算出する手法の概要を説明します。 事前準備(変分ベイ... はじめに Monte Carlo dropoutで予測の不確実性を算出する手法の概要を説明します。 事前準備(変分ベイズ) 前提知識として必要なベイズ推論と変分推論について説明します。 ベイズ推論 通常のニューラルネットワークでは、出力は変数$y$ですが、ベイズ推論では分布$p(y|x)$を考えます。 分布が尖った形になっている場合は予測の不確実性が低く、裾が広い場合は不確実性が高いことになります。 ラベルの分布は、パラメータの分布$p(\theta)$を考え、積分で$\theta$を消去することで求めます。 $$ p(y|x) = \int p(y|x, \theta)p(\theta) {\rm d}\theta $$ 変分推論 パラメータの事後分布$p(\theta|X,Y)$を、計算しやすい分布$q(\theta)$で近似することを考えます。 近似分布$q(\theta)$は、$p