Calibrarea modelului
Calibrarea modelului este o tehnică post-hoc ce ajustează ieșirile de probabilitate ale unui clasificator antrenat astfel încât scorurile de încredere prezise să corespundă frecvențelor empirice ale rezultatelor. Un clasificator este considerat perfect calibrat dacă, dintre toate predicțiile făcute cu o încredere de p, exact o fracțiune p dintre ele sunt corecte. Miscalibrarea sistematică a rețelelor neuronale profunde moderne a fost documentată riguros de Guo et al. (2017), care au demonstrat că rețelele antrenate cu funcția de pierdere cross-entropy standard tind să fie supraîncrezătoare și au propus scalarea prin temperatură ca remediu simplu și eficient.
Citește metoda completă
Autentifică-te cu un cont gratuit pentru a citi această secțiune.
Method map
The neighbourhood of related methods — select a node to explore.
Surse
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Cum se citează această pagină
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/ro/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.
- Conformal PredictionÎnvățare automată↔ compare
- Regresia LogisticăStatistică pentru cercetare↔ compare
- Cuantificarea IncertitudiniiSimulare↔ compare
Citat de
Ai observat o problemă pe această pagină? Raportează sau sugerează o corectură →