Kalibracija modela
Kalibracija modela post-hoc je tehnika koja prilagođava izlazne vjerojatnosti obučenog klasifikatora tako da izračunate ocjene pouzdanosti odgovaraju empirijskim učestalostima ishoda. Kaže se da je klasifikator savršeno kalibriran ako je među svim predviđanjima napravljenim s pouzdanošću p, točno p postotak njih točan. Sustavna nekibriranost modernih dubokih neuronskih mreža rigorozno je dokumentirana od strane Guo et al. (2017), koji su pokazali da mreže obučene standardnim gubitkom unakrsne entropije teže pretjeranoj pouzdanosti, te su predložili skaliranje temperature kao jednostavno, učinkovito rješenje.
Pročitajte cijelu metodu
Prijavite se besplatnim računom kako biste pročitali ovaj odjeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/hr/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.
- Konformalno predviđanjeStrojno učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
- Kvantifikacija nesigurnostiSimulacija↔ compare
Citirana u
Uočili ste pogrešku na ovoj stranici? Prijavite je ili predložite ispravak →