Penyelarasan Model
Penyelarasan model ialah teknik pasca-hoc yang melaraskan output kebarangkalian pengelas yang telah dilatih supaya skor keyakinan yang diramalkan sepadan dengan frekuensi hasil empirikal. Pengelas dikatakan terselaraskan dengan sempurna jika, daripada semua ramalan yang dibuat dengan keyakinan p, tepat pecahan p daripadanya adalah betul. Salah selaras yang sistematik bagi rangkaian saraf dalam moden telah didokumentasikan secara teliti oleh Guo et al. (2017), yang menunjukkan bahawa rangkaian yang dilatih dengan kehilangan silang entropi standard cenderung terlalu yakin, dan mencadangkan penskalaan suhu sebagai ubat yang ringkas dan berkesan.
Baca kaedah sepenuhnya
Log masuk dengan akaun percuma untuk membaca bahagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Cara memetik halaman ini
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/ms/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.
- Prediksi KonformalPembelajaran Mesin↔ compare
- Regresi LogistikStatistik Penyelidikan↔ compare
- Kuantifikasi KetidakpastianSimulasi↔ compare
Dirujuk oleh
Terjumpa masalah pada halaman ini? Laporkan atau cadangkan pembetulan →