Calibració del model

La calibració del model és una tècnica post-hoc que ajusta les sortides de probabilitat d'un classificador entrenat perquè les puntuacions de confiança predites coincideixin amb les freqüències empíriques dels resultats. Es diu que un classificador està perfectament calibrat si, entre totes les prediccions fetes amb una confiança p, exactament una fracció p d'elles són correctes. La descàlibrament sistemàtic de les xarxes neuronals profundes modernes va ser documentat rigorosament per Guo et al. (2017), que van demostrar que les xarxes entrenades amb pèrdua d'entropia creuada estàndard tendeixen a ser massa confiades, i van proposar l'escalat de temperatura com a remei simple i eficaç.