Kalibracija modela
Kalibracija modela je post-hoc tehnika koja prilagođava verovatnoćne izlaze obučenog klasifikatora tako da predviđeni skorovi pouzdanosti odgovaraju empirijskim frekvencijama ishoda. Za klasifikator se kaže da je savršeno kalibrisan ako je, među svim predviđanjima napravljenim sa pouzdanošću p, tačno p frakcija njih tačna. Sistematska nekalibrisanost modernih dubokih neuronskih mreža rigorozno je dokumentovana od strane Guo et al. (2017), koji su pokazali da mreže obučene sa standardnim unakrsno-entropijskim gubitkom teže da budu previše samouverene, i predložili temperaturno skaliranje kao jednostavno, efikasno rešenje.
Pročitajte celu metodu
Prijavite se besplatnim nalogom da biste pročitali ovaj odeljak.
Method map
The neighbourhood of related methods — select a node to explore.
Izvori
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Kako citirati ovu stranicu
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/sr/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.
- Konformalno predviđanjeMašinsko učenje↔ compare
- Logistička regresijaIstraživačka statistika↔ compare
- Kvantifikacija nesigurnostiSimulacija↔ compare
Citirana u
Uočili ste grešku na ovoj stranici? Prijavite je ili predložite ispravku →