Modelkalibrering

Modelkalibrering er en post-hoc-teknik, der justerer sandsynlighedsudgangene fra en trænet klassifikator, så de forudsagte konfidensscorer matcher empiriske udfaldsfrekvenser. En klassifikator siges at være perfekt kalibreret, hvis blandt alle forudsigelser foretaget med konfidens p, er præcis en brøkdel p af dem korrekte. Systematisk fejlagtig kalibrering af moderne dybe neurale netværk blev rigoristisk dokumenteret af Guo et al. (2017), som viste, at netværk trænet med standard krydsentropi-tab tenderer mod at være overkonfidente, og foreslog temperatur-skalering som et simpelt, effektivt middel.