Modellkalibrierung

Modellkalibrierung ist eine Post-hoc-Technik, die die Wahrscheinlichkeitsausgaben eines trainierten Klassifikators anpasst, sodass die vorhergesagten Konfidenzwerte empirischen Ergebnis-Häufigkeiten entsprechen. Ein Klassifikator gilt als perfekt kalibriert, wenn von allen Vorhersagen mit der Konfidenz p genau ein Anteil p korrekt ist. Systematische Fehlkalibrierung moderner tiefer neuronaler Netze wurde von Guo et al. (2017) rigoros dokumentiert, die zeigten, dass mit Standard-Kreuzentropie-Verlust trainierte Netze zu übermäßigem Selbstvertrauen neigen und Temperatur-Skalierung als einfache, effektive Abhilfe vorschlugen.