予測された例の真の値に対する残差を可視化する：

標準偏差を測定する：

これは，残差の二乗平均平方根を計算することに等しい：

この測定についての統計的不確かさを入手する：

標準偏差を（常に検定集合の値の平均を予測する）ベースラインと比較する：

-平方値を測定する：

これは，説明された分散の比と等しい：

説明されていない分散の部分を測定する：

これら2つの値を足すと1になる：

ボストンの住宅データについての訓練集合と検定集合を作成する：

モデルを訓練集合で訓練する：

この分類器についての分類器測定オブジェクトを検定集合について作成する：

最も悪い予測の2つの検定例を求める：

両者の予測を計算する：

最もよい予測の2つの検定例を求める：

両者の予測を計算する：

予測された値と正しい値を比較する：

真の値が30から40の間の例と予測の値が40から50の間の例を抽出する：

式Cos[x*y]から人工的なデータ集合を作成し，可視化する：

データ集合を訓練集合と検定集合に分離する：

訓練集合について予測器を訓練する：

検定集合（実際の値の対数-確率密度関数の合計）の対数尤度を測定する：

平均交差エントロピーを測定する：

平均交差エントロピーは負の平均対数尤度である：

人工的なデータ集合を作り，可視化する：

データ集合を訓練集合と検定集合に分離する：

訓練集合について予測器を訓練する：

いくつかの特徴値について，予測された分布をプロットする：

剰余の二乗平均平方根を計算する：

予測器の閾値を変えて同じ計算を行う：

この操作はPredictorMeasurementsObjectについても行うことができる：

標準偏差と拒絶率を閾値の関数としてプロットする：

ニューラルネットワークを使って予測器を訓練する：

TargetDeviceのさまざまな設定について，検定集合についての予測器の標準偏差を測定する：

訓練集合と検定集合を定義する：

訓練集合について予測器を訓練する：

予測された値が実際の値よりも小さかった場合にペナルティを課す効用関数を定義し，可視化する：

この効用関数を使って，検定集合についての予測器の剰余を計算する：

デフォルトの効用関数を使った場合の方が，剰余は大きい：

この効用関数は，PredictorMeasurementsObjectを使った場合にも指定することができる：

"WineQuality"データ集合について予測器を訓練する：

検定集合を使ってPredictorMeasurements[…]オブジェクトを生成する：

標準偏差の測度値を不確実性とともに取得する：

他の特性の測度値を不確実性とともに取得する：

訓練集合について予測器を作成する：

各検定例が持つ重みを指定しながら測度オブジェクトを生成する：

標準偏差を計算する：

重みもまた測度オブジェクト使って変更することができる：

不確実性もまた重みの影響を受ける：