随机森林

深度学习中的不确定性主要分为偶然不确定性和认知不确定性，分别对应于数据噪声与模型参数的不确定来源。通过 Monte-Carlo Dropout 等方法，可以在不改变网络结构的前提下，对模型输出进行多次采样估计，从而量化预测结果的置信度。不确定性不仅是模型可靠性的重要指标，也可作为训练信号，引导模型关注高置信度区域或自适应调整样本权重。未来研究中，不确定性估计将在半监督学习、主动学习、医学影像分析以

深度学习中的不确定性主要分为偶然不确定性和认知不确定性，分别对应于数据噪声与模型参数的不确定来源。通过 Monte-Carlo Dropout 等方法，可以在不改变网络结构的前提下，对模型输出进行多次采样估计，从而量化预测结果的置信度。不确定性不仅是模型可靠性的重要指标，也可作为训练信号，引导模型关注高置信度区域或自适应调整样本权重。未来研究中，不确定性估计将在半监督学习、主动学习、医学影像分析以

机器学习（Machine Learning，简称ML）是人工智能（AI）的一个子领域，它使计算机系统能够通过经验（数据）自动改进其性能，而无需明确编程。简而言之，机器学习通过从数据中学习模式和规律，使得计算机能够自主做出预测、决策或分类，而不需要人类手动编写规则。监督学习是一种通过使用标注数据来训练模型的方法，使得计算机能够学习从输入到输出的映射关系。它适用于分类和回归问题，广泛应用于金融、医疗、

随机森林

指数移动平均（EMA）是一种加权移动平均越近期的数据被赋予越大的权重，较早的数据权重逐渐指数衰减。换句话说，EMA 相比简单移动平均（SMA, Simple Moving Average）对新近变动反应更快。公式上，若用表示时间的价格（或观测值），则一个常见的 N 日 EMA（记为​）可写为：其中是平滑系数（smoothing constant），通常取​（或其他形式）来反映 “N 日” 的含义。

深度学习中的不确定性主要分为偶然不确定性和认知不确定性，分别对应于数据噪声与模型参数的不确定来源。通过 Monte-Carlo Dropout 等方法，可以在不改变网络结构的前提下，对模型输出进行多次采样估计，从而量化预测结果的置信度。不确定性不仅是模型可靠性的重要指标，也可作为训练信号，引导模型关注高置信度区域或自适应调整样本权重。未来研究中，不确定性估计将在半监督学习、主动学习、医学影像分析以

L1 Loss 和 L2 Loss 是深度学习中常用的损失函数，用于衡量模型预测值与真实值之间的差异。