Modellkalibráció
A modellkalibráció egy utólagos (post-hoc) technika, amely egy betanított osztályozó valószínűségi kimeneteit úgy állítja be, hogy a prediktált konfidencia-pontszámok megfeleljenek a tapasztalati kimeneti gyakoriságoknak. Egy osztályozó akkor mondható tökéletesen kalibráltnak, ha az összes p konfidenciával tett predikció közül pontosan p hányaduk helyes. A modern mély neurális hálózatok szisztematikus elkalibrálódását Guo et al. (2017) alaposan dokumentálták, akik kimutatták, hogy a standard kereszt-entrópia veszteséggel tanított hálózatok hajlamosak túlkonfidensek lenni, és a hőmérsékleti skálázást (temperature scaling) javasolták egyszerű, hatékony orvoslási módszerként.
A teljes módszer elolvasása
Jelentkezzen be ingyenes fiókkal a szakasz elolvasásához.
Method map
The neighbourhood of related methods — select a node to explore.
Források
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Hogyan hivatkozzon erre az oldalra
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/hu/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.
- Konformációs predikcióGépi tanulás↔ compare
- Logistic RegressionKutatási statisztika↔ compare
- Bizonytalanság-kvantifikálásSzimuláció↔ compare
Hivatkozik rá
Hibát talált ezen az oldalon? Jelentse, vagy javasoljon javítást →