uqq-data：成对损失分位数模型比较的矩阵源解析不确定性量化

数据集获取

源站：https://doi.org/10.17632/gjv2n2ntgy

标准获取流程：

1. 访问源站链接，注册/登录账号；
2. 进入数据集详情页，按页面指引申请权限或直接下载；
3. 部分平台提供 SDK，例如：
   • OpenDataLab: pip install openxlab 后 openxlab.dataset.get(...)
   • ModelScope: pip install modelscope 后 modelscope download
   • 天池: 登录后页面提供直链下载
     以源站「数据下载/使用文档」页面为准。

数据集大小约 29.5 MB。

数据说明

本数据集提供了支持Nidal Filali Baba和Ali El Myr所著文章《基于矩阵的源解析不确定性量化用于成对损失-分位数模型比较》的数据与计算材料。该存档包含Python脚本、保存的模拟结果、成对经验损失-分位数剖面、源协方差矩阵、训练与评估划分、随机种子、执行元数据、软件需求以及验证例程。实验研究了严重程度依赖的排名反转、共享不确定性源的抵消与放大、有限样本校准，以及源干预对模型选择证书的影响。计算研究包括受控模拟、涉及贝叶斯最后一层预测器和精确深度集成的拟合神经网络比较，以及使用scikit-learn分发的公开Diabetes数据集进行的回归敏感性实验。生物医学实验使用s1生物标志物作为响应，并考察预先指定的输入、参数和响应扰动。

目录new_validation、ann_validation和editorial_validation包含了可复现的验证研究。目录data保存了早期补充基准的数值摘要；其原始拟合脚本未包含在内。随附的README文档记录了执行指令、实验范围及可复现性限制。

数据加载示例（图像类）

from PIL import Image
import glob, os

files = (glob.glob(os.path.join(path, "**", "*.png"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.jpg"), recursive=True)
       + glob.glob(os.path.join(path, "**", "*.tif"), recursive=True))
print("图像文件数:", len(files))
img = Image.open(files[0]); print("尺寸/模式:", img.size, img.mode)

# torchvision Dataset 方式:
# from torchvision import datasets
# ds = datasets.ImageFolder(path)  # 要求 子目录=类别

目录组织与标注格式以源站说明和下载后实际文件为准。