Calibración del modelo

La calibración del modelo es una técnica post-hoc que ajusta las salidas de probabilidad de un clasificador entrenado para que las puntuaciones de confianza predichas coincidan con las frecuencias empíricas de los resultados. Se dice que un clasificador está perfectamente calibrado si, de todas las predicciones realizadas con una confianza p, exactamente una fracción p de ellas son correctas. La descalibración sistemática de las redes neuronales profundas modernas fue documentada rigurosamente por Guo et al. (2017), quienes demostraron que las redes entrenadas con la pérdida estándar de entropía cruzada tienden a ser demasiado confiadas y propusieron el escalado de temperatura como un remedio simple y efectivo.