Mallin kalibrointi
Mallin kalibrointi on jälkikäteinen tekniikka, joka säätää koulutetun luokittelijan todennäköisyystuottoja siten, että ennustetut luottamusarviot vastaavat empiirisiä tulostaajuuksia. Luokittelijan sanotaan olevan täydellisesti kalibroitu, jos kaikista luottamuksella p tehdyistä ennusteista täsmälleen osuus p on oikein. Guo et al. (2017) dokumentoivat järjestelmällisen modernien syvien neuroverkkojen virheellisen kalibroinnin perusteellisesti ja osoittivat, että tavallisella ristiinentropiahäviöllä koulutetut verkot pyrkivät olemaan yli-luottavaisia. He ehdottivat lämpötilaskaalausta yksinkertaisena ja tehokkaana korjauksena.
Lue koko menetelmä
Kirjaudu sisään maksuttomalla tilillä lukeaksesi tämän osion.
Method map
The neighbourhood of related methods — select a node to explore.
Lähteet
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Näin viittaat tähän sivuun
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/fi/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 PredictionKoneoppiminen↔ compare
- Logistinen regressioTutkimuksen tilastomenetelmät↔ compare
- Epävarmuuden kvantifiointiSimulointi↔ compare
Tähän viittaavat
Huomasitko virheen tällä sivulla? Ilmoita siitä tai ehdota korjausta →