Modelkalibratie

Modelkalibratie is een post-hoc techniek die de waarschijnlijkheidsuitvoer van een getrainde classificator aanpast, zodat de voorspelde betrouwbaarheidsscores overeenkomen met empirische uitkomstfrequenties. Een classificator wordt als perfect gekalibreerd beschouwd als van alle voorspellingen met betrouwbaarheid p, precies een fractie p correct is. Systematische miskalibratie van moderne diepe neurale netwerken werd rigoureus gedocumenteerd door Guo et al. (2017), die aantoonden dat netwerken getraind met standaard cross-entropy loss de neiging hebben om overmatig zelfverzekerd te zijn, en temperatuurschaling voorstelden als een eenvoudige, effectieve remedie.