Калібрування моделі
Калібрування моделі — це пост-хок техніка, яка коригує ймовірнісні виходи навченої моделі класифікації так, щоб прогнозовані оцінки впевненості відповідали емпіричним частотам результатів. Класифікатор вважається ідеально відкаліброваним, якщо серед усіх прогнозів, зроблених з впевненістю p, рівно частка p є правильною. Систематичне розкалібрування сучасних глибоких нейронних мереж було ретельно задокументовано Guo et al. (2017), які показали, що мережі, навчені зі стандартною функцією втрат перехресної ентропії, схильні до надмірної впевненості, і запропонували масштабування температурою як просте, ефективне рішення.
Читати метод повністю
Увійдіть із безкоштовним обліковим записом, щоб прочитати цей розділ.
Method map
The neighbourhood of related methods — select a node to explore.
Джерела
- Guo, C., Pleiss, G., Sun, Y., & Weinberger, K. Q. (2017). On calibration of modern neural networks. International Conference on Machine Learning, 1321–1330. link ↗
Як цитувати цю сторінку
ScholarGate. (2026, June 2). Probability Calibration of Classifiers. ScholarGate. https://scholargate.app/uk/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.
- Конформне прогнозуванняМашинне навчання↔ compare
- Логістична регресіяСтатистика досліджень↔ compare
- Квантифікація невизначеностіІмітаційне моделювання↔ compare
Згадується в
Помітили помилку на цій сторінці? Повідомте про неї або запропонуйте виправлення →