کالیبراسیون مدل
کالیبراسیون مدل یک تکنیک پس از وقوع (post-hoc) است که خروجیهای احتمالی یک طبقهبند آموزشدیده را طوری تنظیم میکند که امتیازات اطمینان پیشبینیشده با فراوانی نتایج تجربی مطابقت داشته باشند. گفته میشود یک طبقهبند کاملاً کالیبره شده است اگر از میان تمام پیشبینیهای انجام شده با اطمینان p، دقیقاً کسری p از آنها صحیح باشند. عدم کالیبراسیون سیستماتیک شبکههای عصبی عمیق مدرن توسط Guo et al. (2017) به طور دقیق مستند شد، که نشان دادند شبکههای آموزشدیده با تابع زیان استاندارد تقاطع آنتروپی (cross-entropy loss) تمایل به اطمینان بیش از حد (overconfident) دارند و مقیاسبندی دما (temperature scaling) را به عنوان یک راهحل ساده و مؤثر پیشنهاد کردند.
مطالعهٔ کامل روش
برای خواندن این بخش با حساب رایگان وارد شوید.
Method map
The neighbourhood of related methods — select a node to explore.
منابع
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
نحوهٔ استناد به این صفحه
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/fa/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.
- پیشبینی تطبیقییادگیری ماشین↔ compare
- رگرسیون لجستیکآمار پژوهش↔ compare
- کمیسازی عدم قطعیتشبیهسازی↔ compare
ارجاعشده در
در این صفحه مشکلی دیدید؟ گزارش دهید یا اصلاحی پیشنهاد کنید →