Calibração de Modelo

A calibração de modelo é uma técnica pós-hoc que ajusta as saídas de probabilidade de um classificador treinado para que as pontuações de confiança preditas correspondam às frequências de resultados empíricos. Um classificador é considerado perfeitamente calibrado se, entre todas as predições feitas com confiança p, exatamente uma fração p delas estiver correta. A descalibração sistemática de redes neurais profundas modernas foi rigorosamente documentada por Guo et al. (2017), que mostraram que redes treinadas com perda de entropia cruzada padrão tendem a ser superconfiantes, e propuseram o escalonamento de temperatura como um remédio simples e eficaz.