Kalibrimi i Modelit

Kalibrimi i modelit është një teknikë post-hoc që rregullon rezultatet e probabilitetit të një klasifikatori të trajnuar në mënyrë që rezultatet e besimit të parashikuara të përputhen me frekuencat empirike të rezultateve. Një klasifikator thuhet se është i kalibruar në mënyrë të përsosur nëse, nga të gjitha parashikimet e bëra me besim p, saktësisht një pjesë p prej tyre janë të sakta. Miskalibrimi sistematik i rrjeteve të reja neurale moderne u dokumentua rigorozisht nga Guo et al. (2017), të cilët treguan se rrjetet e trajnuara me humbje standarde të kryqëzuar-entropisë priren të jenë tepër të sigurta, dhe propozuan shkallëzimin e temperaturës si një ilaç të thjeshtë dhe efektiv.