Modeļa kalibrēšana
Modeļa kalibrēšana ir pēcpārbaudes metode, kas pielāgo apmācīta klasifikatora varbūtības izvades tā, lai prognozētie ticamības rādītāji atbilstu empīriskajām iznākuma frekvencēm. Klasifikators tiek uzskatīts par perfekti kalibrētu, ja starp visām prognozēm, kas veiktas ar ticamību p, tieši p daļa no tām ir pareizas. Mūsdienu dziļo neironu tīklu sistemātisku nepareizu kalibrēšanu rūpīgi dokumentēja Guo et al. (2017), kuri parādīja, ka tīkli, kas apmācīti ar standarta krusteniskās entropijas zudumu, mēdz būt pārlieku pārliecināti, un ierosināja temperatūras skalēšanu kā vienkāršu, efektīvu risinājumu.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Kā citēt šo lapu
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/lv/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.
- Konformālā prognozēšanaMašīnmācīšanās↔ compare
- Logistiskā regresijaPētniecības statistika↔ compare
- Nenoteiktības kvantifikācijaSimulācija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →