Calibrazione del modello

La calibrazione del modello è una tecnica post-hoc che regola gli output di probabilità di un classificatore addestrato in modo che i punteggi di confidenza predetti corrispondano alle frequenze empiriche dei risultati. Si dice che un classificatore sia perfettamente calibrato se, tra tutte le predizioni effettuate con confidenza p, esattamente una frazione p di esse è corretta. La miscalibrazione sistematica delle moderne reti neurali profonde è stata rigorosamente documentata da Guo et al. (2017), i quali hanno dimostrato che le reti addestrate con la perdita di entropia incrociata standard tendono ad essere eccessivamente sicure e hanno proposto lo scaling di temperatura come rimedio semplice ed efficace.