Kalibrace modelu

Kalibrace modelu je post-hoc technika, která upravuje pravděpodobnostní výstupy natrénovaného klasifikátoru tak, aby predikované skóre spolehlivosti odpovídala empirickým frekvencím výsledků. Klasifikátor je považován za dokonale kalibrovaný, pokud z veškerých predikcí provedených s jistotou p je přesně podíl p správných. Systematická miskalibrace moderních hlubokých neuronových sítí byla rigorózně zdokumentována Guo et al. (2017), kteří ukázali, že sítě trénované se standardní křížovou entropií mají tendenci být přehnaně sebevědomé, a navrhli škálování teplotou jako jednoduché, efektivní řešení.