Modellkalibrering

Modellkalibrering är en post-hoc-teknik som justerar sannolikhetsutdata från en tränad klassificerare så att predikterade konfidenspoäng matchar empiriska utfallsfrekvenser. En klassificerare sägs vara perfekt kalibrerad om, bland alla prediktioner gjorda med konfidens p, exakt en bråkdel p av dem är korrekta. Systematisk felkalibrering av moderna djupa neurala nätverk dokumenterades rigoröst av Guo et al. (2017), som visade att nätverk tränade med standard korsentropiförlust tenderar att vara överkonfidenta, och föreslog temperatur­skalning som en enkel, effektiv åtgärd.