Калибриране на модела
Калибрирането на модела е пост-хок техника, която коригира вероятностните изходи на обучен класификатор, така че предвидените нива на достоверност да съответстват на емпиричните честоти на резултатите. За един класификатор се казва, че е перфектно калибриран, ако сред всички предвиждания, направени с достоверност p, точно част p от тях са верни. Систематичната неточност в калибрирането на съвременните дълбоки невронни мрежи е строго документирана от Guo et al. (2017), които показват, че мрежите, обучени със стандартна функция на загуба на кръстосана ентропия, са склонни да бъдат прекалено уверени, и предлагат температурно мащабиране като просто и ефективно средство.
Прочетете целия метод
Влезте с безплатен профил, за да прочетете този раздел.
Method map
The neighbourhood of related methods — select a node to explore.
Източници
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Как да цитирате тази страница
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/bg/machine-learning/model-calibration
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Конформно предсказванеМашинно обучение↔ compare
- Логистична регресияСтатистика за изследвания↔ compare
- Квантифициране на неопределеносттаСимулационно моделиране↔ compare
Цитиран в
Забелязахте ли проблем на тази страница? Съобщете или предложете поправка →