Machine learningTrustworthy ML
모델 보정
모델 보정은 훈련된 분류기의 확률 출력을 조정하여 예측된 신뢰도 점수가 경험적 결과 빈도와 일치하도록 하는 사후 기법입니다. 분류기는 신뢰도 p로 이루어진 모든 예측 중에서 정확히 p 비율이 올바른 경우 완벽하게 보정되었다고 합니다. 현대 심층 신경망의 체계적인 오보정은 Guo et al. (2017)에 의해 엄격하게 문서화되었는데, 이들은 표준 교차 엔트로피 손실로 훈련된 네트워크가 과신하는 경향이 있음을 보여주었고, 간단하고 효과적인 해결책으로 온도 스케일링을 제안했습니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/ko/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.
Compare side by side →