Kalibracja modelu
Kalibracja modelu to technika post-hoc, która dostosowuje wyjścia prawdopodobieństwa wytrenowanego klasyfikatora tak, aby przewidywane wyniki pewności odpowiadały empirycznym częstościom występowania zdarzeń. Klasyfikator jest uważany za doskonale skalibrowany, jeśli wśród wszystkich predykcji dokonanych z pewnością p, dokładnie ułamek p z nich jest poprawny. Systematyczne rozkalibrowanie nowoczesnych głębokich sieci neuronowych zostało rygorystycznie udokumentowane przez Guo i in. (2017), którzy wykazali, że sieci trenowane ze standardową stratą entropii krzyżowej mają tendencję do nadmiernej pewności i zaproponowali skalowanie temperaturowe jako proste, skuteczne rozwiązanie.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Jak cytować tę stronę
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/pl/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.
- Konformalne przewidywanieUczenie maszynowe↔ compare
- Regresja logistycznaStatystyka w badaniach↔ compare
- Kwantyfikacja niepewnościSymulacja↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →