ScholarGate
Pembantu
Machine learningTrustworthy ML

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.

Buka dalam MethodMindTidak lama lagiVideoTidak lama lagiDownload slides

Baca kaedah sepenuhnya

Ahli sahaja

Log masuk dengan akaun percuma untuk membaca bahagian ini.

Log masuk

Method map

The neighbourhood of related methods — select a node to explore.

Sumber

  1. 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.

Compare side by side

Dirujuk oleh

ScholarGateModel Calibration (Probability Calibration of Classifiers). Dicapai 2026-06-15 daripada https://scholargate.app/ms/machine-learning/model-calibration · Set data: https://doi.org/10.5281/zenodo.20539026