การปรับเทียบโมเดล
การปรับเทียบโมเดล (Model calibration) เป็นเทคนิคภายหลังการฝึก (post-hoc technique) ที่ปรับค่าผลลัพธ์ความน่าจะเป็นของตัวจำแนกประเภท (classifier) ที่ได้รับการฝึกแล้ว เพื่อให้คะแนนความเชื่อมั่นที่ทำนายตรงกับความถี่ของผลลัพธ์เชิงประจักษ์ ตัวจำแนกประเภทจะถือว่าได้รับการปรับเทียบอย่างสมบูรณ์แบบ หากในบรรดาการทำนายทั้งหมดที่ทำด้วยความเชื่อมั่น p มีเพียงเศษส่วน p เท่านั้นที่ถูกต้อง การปรับเทียบที่ผิดพลาดอย่างเป็นระบบในโครงข่ายประสาทเทียมเชิงลึกสมัยใหม่ได้รับการบันทึกไว้อย่างเข้มงวดโดย Guo et al. (2017) ซึ่งแสดงให้เห็นว่าโครงข่ายที่ฝึกด้วยฟังก์ชันต้นทุนครอสเอนโทรปีมาตรฐานมีแนวโน้มที่จะมั่นใจเกินไป และเสนอการปรับสเกลด้วยอุณหภูมิ (temperature scaling) เป็นวิธีการแก้ไขที่ง่ายและมีประสิทธิภาพ
อ่านวิธีฉบับเต็ม
เข้าสู่ระบบด้วยบัญชีฟรีเพื่ออ่านส่วนนี้
Method map
The neighbourhood of related methods — select a node to explore.
แหล่งอ้างอิง
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
วิธีอ้างอิงหน้านี้
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/th/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 Predictionการเรียนรู้ของเครื่อง↔ compare
- การถดถอยโลจิสติกสถิติการวิจัย↔ compare
- การวัดปริมาณความไม่แน่นอนการจำลอง↔ compare