মডেল ক্যালিব্রেশন
মডেল ক্যালিব্রেশন একটি পোস্ট-হক কৌশল যা প্রশিক্ষিত ক্লাসিফায়ারের সম্ভাব্যতা আউটপুটগুলিকে সামঞ্জস্য করে যাতে পূর্বাভাসিত আত্মবিশ্বাসের স্কোরগুলি অভিজ্ঞতামূলক ফলাফলের ফ্রিকোয়েন্সিগুলির সাথে মিলে যায়। একটি ক্লাসিফায়ারকে পুরোপুরি ক্যালিব্রেটেড বলা হয় যদি, p আত্মবিশ্বাস সহ করা সমস্ত পূর্বাভাসের মধ্যে, সেগুলির ঠিক p অংশ সঠিক হয়। আধুনিক গভীর নিউরাল নেটওয়ার্কগুলির পদ্ধতিগত মিসক্যালিব্রেশন Guo et al. (2017) দ্বারা কঠোরভাবে নথিভুক্ত করা হয়েছিল, যারা দেখিয়েছিলেন যে স্ট্যান্ডার্ড ক্রস-এন্ট্রপি লস দিয়ে প্রশিক্ষিত নেটওয়ার্কগুলি অতিরিক্ত আত্মবিশ্বাসী হতে থাকে এবং একটি সহজ, কার্যকর প্রতিকার হিসাবে টেম্পারেচার স্কেলিং প্রস্তাব করেছিলেন।
পুরো পদ্ধতিটি পড়ুন
এই অংশটি পড়তে বিনামূল্যের অ্যাকাউন্ট দিয়ে সাইন ইন করুন।
Method map
The neighbourhood of related methods — select a node to explore.
উৎস
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
এই পৃষ্ঠা কীভাবে উদ্ধৃত করবেন
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/bn/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.
- Conformal Predictionযন্ত্র শিখন↔ compare
- লজিস্টিক রিগ্রেশনগবেষণা পরিসংখ্যান↔ compare
- অনিশ্চয়তা পরিমাপ (Uncertainty Quantification)অনুকরণ↔ compare
যেখানে উদ্ধৃত
এই পৃষ্ঠায় কোনো ত্রুটি চোখে পড়েছে? জানান বা সংশোধনের প্রস্তাব দিন →