मॉडल अंशांकन (Model Calibration)

मॉडल अंशांकन एक पश्च-विकल्पी (post-hoc) तकनीक है जो प्रशिक्षित क्लासिफायर के संभाव्यता आउटपुट को इस प्रकार समायोजित करती है कि अनुमानित विश्वास स्कोर अनुभवजन्य परिणाम आवृत्तियों से मेल खाएं। एक क्लासिफायर को पूरी तरह से अंशांकित कहा जाता है यदि, p विश्वास के साथ की गई सभी भविष्यवाणियों में से, ठीक p अंश सही हों। आधुनिक गहन तंत्रिका नेटवर्क (deep neural networks) के व्यवस्थित कु-अंशांकन (miscalibration) का郭 एट अल. (2017) द्वारा कठोरता से दस्तावेजीकरण किया गया था, जिन्होंने दिखाया कि मानक क्रॉस-एन्ट्रॉपी हानि (cross-entropy loss) के साथ प्रशिक्षित नेटवर्क अति-आत्मविश्वासी (overconfident) होते हैं, और एक सरल, प्रभावी उपाय के रूप में तापमान स्केलिंग (temperature scaling) का प्रस्ताव दिया।