Calage du modèle

Le calage du modèle est une technique post-hoc qui ajuste les sorties de probabilité d'un classifieur entraîné afin que les scores de confiance prédits correspondent aux fréquences empiriques des résultats. Un classifieur est dit parfaitement calé si, parmi toutes les prédictions faites avec une confiance p, exactement une fraction p d'entre elles sont correctes. La mauvaise calibration systématique des réseaux neuronaux profonds modernes a été rigoureusement documentée par Guo et al. (2017), qui ont montré que les réseaux entraînés avec une perte d'entropie croisée standard ont tendance à être trop confiants, et ont proposé la mise à l'échelle par température comme un remède simple et efficace.