পূর্ববর্তী একটি নিবন্ধে, আমরা দেখেছি কেন MSE দিয়ে প্রশিক্ষণ একটি মডেলকে শুধুমাত্র শর্তসাপেক্ষ গড় রিপোর্ট করতে বাধ্য করে, এবং কীভাবে গাউসিয়ান NLL এটিকে একটি সৎ প্রতি-পদক্ষেপ অনিশ্চয়তা σ শিখতে দেয়। এটি ছিল এক-পদক্ষেপের গল্প। এই পোস্টটি যেখানে আমরা ছেড়েছিলাম সেখান থেকে শুরু হয়। আমরা প্রথম অংশে যা কিছু তৈরি করেছি — গাউসিয়ান NLL, দ্বি-পদ ক্ষতি, প্রমাণ যে মডেল শর্তসাপেক্ষ গড় এবং শর্তসাপেক্ষ প্রকরণ উভয়ই শেখে — তা ছিল এক-পদক্ষেপ-এগিয়ে ভবিষ্যদ্বাণী সম্পর্কে: T পর্যবেক্ষিত মানের একটি প্রসঙ্গ উইন্ডো দেওয়া, পরবর্তী মান x_{T+1} এর বণ্টন ভবিষ্যদ্বাণী করা।

অনুমানের সময়, যে কোনো বাস্তব প্রয়োগে, এটি খুব কমই যথেষ্ট। আপনি জানতে চান পরবর্তী 10, 100 বা 1000 ধাপে কী ঘটে। আপনি একটি পূর্বাভাস চান, একটি একক ভবিষ্যদ্বাণী নয়। এবং যদি আপনার মডেল সম্ভাব্যতাবাদী হয়, আপনি চান যে পূর্বাভাসটি দিগন্তের শেষ পর্যন্ত সৎ অনিশ্চয়তা বহন করুক। এই পোস্টটি কীভাবে এটি সঠিকভাবে করতে হয় সে সম্পর্কে।

কেউ অবিলম্বে নিষ্পাপ পদ্ধতি সম্পর্কে চিন্তা করতে পারে, অর্থাৎ মডেলটি বারবার প্রয়োগ করা, এর ভবিষ্যদ্বাণীগুলিকে ইনপুট হিসাবে ফিরিয়ে দেওয়া গোপনে একটি নির্ধারক ক্রিয়াকলাপ যা মডেলটি শিখতে এত প্রচেষ্টা ব্যয় করেছে সেই অনিশ্চয়তা বাতিল করে দেয়। এটি ঠিক করার জন্য ভবিষ্যতের মানগুলির উপর একটি যৌথ বণ্টন আসলে কী এবং কীভাবে মন্টে কার্লো নমুনা দিয়ে এটি অনুমান করা যায় সে সম্পর্কে সাবধানে চিন্তা করা প্রয়োজন। ফিক্সটি নিষ্পাপ সংস্করণের চেয়ে খুব কমই বেশি কোড, তবে এটি একটি মৌলিকভাবে ভিন্ন এবং মৌলিকভাবে ভাল পূর্বাভাস দেয়।

এখানে সবকিছু সহচর নোটবুকে তৈরি এবং পরীক্ষা করা হয়েছে: দুটি রোলআউট পদ্ধতি, একই প্রশিক্ষিত মডেলে, একই সংকেতে, কভারেজ এবং PIT ডায়াগনস্টিকস সহ (এই পোস্টে সব ব্যাখ্যা করা হয়েছে)।