似然函数

似然函数在给定模型和输入数据的情况下对目标数据进行建模。 我们支持用于分类的分类似然和用于回归的 回归似然。请在下面找到它们的参考资料。

class fortuna.likelihood.classification.ClassificationLikelihood(model_manager, prob_output_layer, output_calib_manager=None)

一个分类似然函数类。在这个类中，似然函数被额外假设为概率密度函数，即正且积分为1。似然函数由依次应用的三个对象形成：模型管理器、输出校准器和概率输出层。模型管理器将参数和输入映射到输出。输出校准器接收输出并返回它们的某种校准版本。概率输出层描述了校准输出的概率分布。

Parameters:

• model_manager (ModelManager) – 一个模型管理器。该对象负责协调模型的评估。

• prob_output_layer (ProbOutputLayer) – 一个概率输出层对象。该对象描述了给定校准输出后目标变量的概率分布。

• output_calib_manager (Optional[OutputCalibManager]) – 一个输出校准管理器对象。它将模型管理器的输出转换为它们的某种校准版本。

entropy(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计似然熵，即

\[-\mathbb{E}_{Y|w,x}[\log p(Y|w,x)]\]

where:

• \(x\) 是一个观察到的输入变量；

• \(Y\) 是一个随机目标变量;

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对每个输入的似然熵的估计。

Return type:

jnp.ndarray

get_calibrated_outputs(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

计算输出及其校准版本。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

校准后的输出。

Return type:

jnp.ndarray

get_outputs(params, inputs_loader, mutable=None, distribute=True, **kwargs)

计算输出及其校准版本。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

校准后的输出。

Return type:

jnp.ndarray

log_prob(params, data_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

评估对数似然函数。

Parameters:

• params (Params) – 概率模型的随机参数。

• data_loader (DataLoader) – 一个数据加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对数似然函数的评估。

Return type:

jnp.ndarray

mean(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计独热编码目标变量的似然均值，即

\[\mathbb{E}_{\tilde{Y}|w, x}[\tilde{Y}],\]

where:

• \(x\) 是一个观察到的输入变量；

• \(\tilde{Y}\) 是一个独热编码的随机目标变量；

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对每个输入的似然均值的估计。

Return type:

jnp.ndarray

mode(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计目标变量的似然模式，即

\[\text{argmax}_y\ p(y|w, x),\]

where:

• \(x\) 是一个观察到的输入变量；

• \(w\) 表示观察到的模型参数；

• \(y\) 是要优化的目标变量。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

每个输入的可能性模式的估计。

Return type:

jnp.ndarray

property rng: RandomNumberGenerator

调用随机数生成器对象。

Return type:

随机数生成器对象。

sample(n_target_samples, params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, return_aux=None, rng=None, distribute=True, **kwargs)

从每个输入变量的似然函数中抽取样本目标变量。

Parameters:

• n_target_samples (int) – 从每个输入数据点的似然中抽取的样本数量。

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• return_aux (Optional[List[str]]) – 要返回的辅助对象。我们支持 'outputs'。如果未提供此参数，则不返回任何辅助对象。

• rng (可选[jax.Array]) – 一个随机数生成器。如果未传递，将从该类的属性中获取。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

每个输入的目标变量样本。如果给出了return_aux，则还会返回相应的辅助对象。

Return type:

联合[jnp.ndarray, 元组[jnp.ndarray, 字典]]

std(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, variance=None, distribute=True, **kwargs)

估计目标变量的似然标准差，即

\[\sqrt{\text{Var}_{Y|w,x}[Y]},\]

where:

• \(x\) 是一个观察到的输入变量；

• \(Y\) 是一个随机目标变量;

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• variance (可选[jnp.ndarray]) – 每个输入的可能性方差的估计。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

每个输入的似然标准差的估计。

Return type:

jnp.ndarray

variance(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计独热编码目标变量的似然方差，即

\[\text{Var}_{\tilde{Y}|w,x}[\tilde{Y}],\]

where:

• \(x\) 是一个观察到的输入变量；

• \(\tilde{Y}\) 是一个独热编码的随机目标变量；

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对每个输入的似然方差的估计。

Return type:

jnp.ndarray

class fortuna.likelihood.regression.RegressionLikelihood(model_manager, prob_output_layer, output_calib_manager=None)

回归似然函数类。在这个类中，似然函数被额外假设为概率密度函数，即正且积分为1。似然函数由依次应用的三个对象形成：模型管理器、输出校准器和概率输出层。模型管理器将参数和输入映射到输出。输出校准器接收输出并返回它们的某种校准版本。概率输出层描述了校准输出的概率分布。

Parameters:

• model_manager (ModelManager) – 一个模型管理器。该对象负责协调模型的评估。

• prob_output_layer (ProbOutputLayer) – 一个概率输出层对象。该对象描述了给定校准输出后目标变量的概率分布。

• output_calib_manager (Optional[OutputCalibManager]) – 一个输出校准管理器对象。它将模型管理器的输出转换为它们的某种校准版本。

entropy(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, n_target_samples=30, rng=None, distribute=True, **kwargs)

估计似然熵，即

\[-\mathbb{E}_{Y|w,x}[\log p(Y|w,x)]\]

where:

• \(x\) 是一个观察到的输入变量；

• \(Y\) 是一个随机目标变量;

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对每个输入的似然熵的估计。

Return type:

jnp.ndarray

get_calibrated_outputs(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

计算输出及其校准版本。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

校准后的输出。

Return type:

jnp.ndarray

get_outputs(params, inputs_loader, mutable=None, distribute=True, **kwargs)

计算输出及其校准版本。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

校准后的输出。

Return type:

jnp.ndarray

log_prob(params, data_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

评估对数似然函数。

Parameters:

• params (Params) – 概率模型的随机参数。

• data_loader (DataLoader) – 一个数据加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对数似然函数的评估。

Return type:

jnp.ndarray

mean(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计目标变量的似然均值，即

\[\mathbb{E}_{Y|w, x}[Y],\]

where:

• \(x\) 是一个观察到的输入变量；

• \(Y\) 是一个随机目标变量;

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对每个输入的似然均值的估计。

Return type:

jnp.ndarray

mode(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计目标变量的似然模式，即

\[\text{argmax}_y\ p(y|w, x),\]

where:

• \(x\) 是一个观察到的输入变量；

• \(w\) 表示观察到的模型参数；

• \(y\) 是要优化的目标变量。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

每个输入的可能性模式的估计。

Return type:

jnp.ndarray

quantile(q, params=None, inputs_loader=None, mutable=None, calib_params=None, calib_mutable=None, n_target_samples=30, target_samples=None, rng=None, distribute=True, **kwargs)

估计似然函数的q分位数。

Parameters:

• q (Union[float, jnp.ndarray, np.ndarray]) – 要计算的分位数或分位数序列，必须在0到1之间（包括0和1）。

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• n_target_samples (int) – 每个输入数据点采样的目标样本数量。

• target_samples (可选[jnp.ndarray] = None) – 每个输入的目标变量样本，用于估计分位数。

• rng (可选[jax.Array]) – 一个随机数生成器。如果未传递，将从该类的属性中获取。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

每个分位数和每个输入的量化估计。如果给出了多个分位数q，结果的第一轴将跨越不同的分位数。

Return type:

jnp.ndarray

property rng: RandomNumberGenerator

调用随机数生成器对象。

Return type:

随机数生成器对象。

sample(n_target_samples, params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, return_aux=None, rng=None, distribute=True, **kwargs)

从每个输入变量的似然函数中抽取样本目标变量。

Parameters:

• n_target_samples (int) – 从每个输入数据点的似然中抽取的样本数量。

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• return_aux (Optional[List[str]]) – 要返回的辅助对象。我们支持 'outputs'。如果未提供此参数，则不返回任何辅助对象。

• rng (可选[jax.Array]) – 一个随机数生成器。如果未传递，将从该类的属性中获取。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

每个输入的目标变量样本。如果给出了return_aux，则还会返回相应的辅助对象。

Return type:

联合[jnp.ndarray, 元组[jnp.ndarray, 字典]]

std(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, variance=None, distribute=True, **kwargs)

估计目标变量的似然标准差，即

\[\sqrt{\text{Var}_{Y|w,x}[Y]},\]

where:

• \(x\) 是一个观察到的输入变量；

• \(Y\) 是一个随机目标变量;

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• variance (可选[jnp.ndarray]) – 每个输入的可能性方差的估计。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

每个输入的似然标准差的估计。

Return type:

jnp.ndarray

variance(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计目标变量的似然方差，即

\[\text{Var}_{Y|w,x}[Y],\]

where:

• \(x\) 是一个观察到的输入变量；

• \(Y\) 是一个随机目标变量;

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对每个输入的似然方差的估计。

Return type:

jnp.ndarray

class fortuna.likelihood.base.Likelihood(model_manager, prob_output_layer, output_calib_manager)

一个似然函数抽象类。在这个类中，似然函数被额外假设为概率密度函数，即正且积分为1。似然函数由依次应用的三个对象构成：模型管理器、输出校准器和概率输出层。输出生成器将参数和输入映射到输出。输出校准器接收输出并返回它们的校准版本。概率输出层描述了校准输出的概率分布。

Parameters:

• model_manager (ModelManager) – 一个模型管理器。该对象负责协调模型的评估。

• prob_output_layer (ProbOutputLayer) – 一个概率输出层对象。该对象描述了给定校准输出后目标变量的概率分布。

• output_calib_manager (OutputCalibManager) – 一个输出校准管理器对象。它将模型管理器的输出转换为它们的某种校准版本。

abstract entropy(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计似然熵，即

\[-\mathbb{E}_{Y|w,x}[\log p(Y|w,x)]\]

where:

• \(x\) 是一个观察到的输入变量；

• \(Y\) 是一个随机目标变量;

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对每个输入的似然熵的估计。

Return type:

jnp.ndarray

get_calibrated_outputs(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

计算输出及其校准版本。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

校准后的输出。

Return type:

jnp.ndarray

get_outputs(params, inputs_loader, mutable=None, distribute=True, **kwargs)

计算输出及其校准版本。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

校准后的输出。

Return type:

jnp.ndarray

log_prob(params, data_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

评估对数似然函数。

Parameters:

• params (Params) – 概率模型的随机参数。

• data_loader (DataLoader) – 一个数据加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对数似然函数的评估。

Return type:

jnp.ndarray

mean(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计目标变量的似然均值，即

\[\mathbb{E}_{Y|w, x}[Y],\]

where:

• \(x\) 是一个观察到的输入变量；

• \(Y\) 是一个随机目标变量;

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对每个输入的似然均值的估计。

Return type:

jnp.ndarray

mode(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计目标变量的似然模式，即

\[\text{argmax}_y\ p(y|w, x),\]

where:

• \(x\) 是一个观察到的输入变量；

• \(w\) 表示观察到的模型参数；

• \(y\) 是要优化的目标变量。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

每个输入的可能性模式的估计。

Return type:

jnp.ndarray

property rng: RandomNumberGenerator

调用随机数生成器对象。

Return type:

随机数生成器对象。

sample(n_target_samples, params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, return_aux=None, rng=None, distribute=True, **kwargs)

从每个输入变量的似然函数中抽取样本目标变量。

Parameters:

• n_target_samples (int) – 从每个输入数据点的似然中抽取的样本数量。

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• return_aux (Optional[List[str]]) – 要返回的辅助对象。我们支持 'outputs'。如果未提供此参数，则不返回任何辅助对象。

• rng (可选[jax.Array]) – 一个随机数生成器。如果未传递，将从该类的属性中获取。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

每个输入的目标变量样本。如果给出了return_aux，则还会返回相应的辅助对象。

Return type:

联合[jnp.ndarray, 元组[jnp.ndarray, 字典]]

std(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, variance=None, distribute=True, **kwargs)

估计目标变量的似然标准差，即

\[\sqrt{\text{Var}_{Y|w,x}[Y]},\]

where:

• \(x\) 是一个观察到的输入变量；

• \(Y\) 是一个随机目标变量;

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• variance (可选[jnp.ndarray]) – 每个输入的可能性方差的估计。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

每个输入的似然标准差的估计。

Return type:

jnp.ndarray

variance(params, inputs_loader, mutable=None, calib_params=None, calib_mutable=None, distribute=True, **kwargs)

估计目标变量的似然方差，即

\[\text{Var}_{Y|w,x}[Y],\]

where:

• \(x\) 是一个观察到的输入变量；

• \(Y\) 是一个随机目标变量;

• \(w\) 表示观察到的模型参数。

Parameters:

• params (Params) – 概率模型的随机参数。

• inputs_loader (InputsLoader) – 输入数据点的加载器。

• mutable (可选[Mutable]) – 用于评估模型的可变对象。

• calib_params (可选[CalibParams]) – 概率模型的校准参数。

• calib_mutable (可选[CalibMutable]) – 用于评估校准器的校准可变对象。

• distribute (bool) – 是否在多个设备上分配计算（如果可用）。

Returns:

对每个输入的似然方差的估计。

Return type:

jnp.ndarray