Modellkalibrering

Modellkalibrering er en post-hoc-teknikk som justerer sannsynlighetsutdataene fra en trent klassifikator slik at predikerte konfidensscorer samsvarer med empiriske utfallsfrekvenser. En klassifikator sies å være perfekt kalibrert hvis, blant alle prediksjoner gjort med konfidens p, nøyaktig en brøkdel p av dem er korrekte. Systematisk feilkalibrering av moderne dype nevrale nettverk ble grundig dokumentert av Guo et al. (2017), som viste at nettverk trent med standard kryssentropitap har en tendens til å være overkonfidente, og foreslo temperaturskalering som et enkelt, effektivt middel.