Βαθμονόμηση Μοντέλου
Η βαθμονόμηση μοντέλου είναι μια τεχνική εκ των υστέρων (post-hoc) που προσαρμόζει τις πιθανοτικές εξόδους ενός εκπαιδευμένου ταξινομητή, ώστε οι προβλεπόμενες τιμές εμπιστοσύνης να ταιριάζουν με τις εμπειρικές συχνότητες αποτελεσμάτων. Ένας ταξινομητής θεωρείται τέλεια βαθμονομημένος εάν, από όλες τις προβλέψεις που έγιναν με εμπιστοσύνη p, ακριβώς ένα ποσοστό p από αυτές είναι σωστές. Η συστηματική κακή βαθμονόμηση των σύγχρονων βαθιών νευρωνικών δικτύων τεκμηριώθηκε αυστηρά από τους Guo et al. (2017), οι οποίοι έδειξαν ότι τα δίκτυα που εκπαιδεύονται με την τυπική συνάρτηση απώλειας διασταυρούμενης εντροπίας τείνουν να είναι υπερβολικά σίγουρα (overconfident) και πρότειναν την κλιμάκωση θερμοκρασίας (temperature scaling) ως μια απλή, αποτελεσματική θεραπεία.
Διαβάστε ολόκληρη τη μέθοδο
Συνδεθείτε με δωρεάν λογαριασμό για να διαβάσετε αυτή την ενότητα.
Method map
The neighbourhood of related methods — select a node to explore.
Πηγές
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Πώς να παραπέμψετε σε αυτή τη σελίδα
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/el/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 PredictionΜηχανική Μάθηση↔ compare
- Λογιστική ΠαλινδρόμησηΕρευνητική Στατιστική↔ compare
- Ποσοτικοποίηση της ΑβεβαιότηταςΠροσομοίωση↔ compare
Αναφέρεται από
Εντοπίσατε πρόβλημα σε αυτή τη σελίδα; Αναφέρετέ το ή προτείνετε διόρθωση →