Hiệu chỉnh mô hình

Hiệu chỉnh mô hình là một kỹ thuật hậu kiểm (post-hoc) điều chỉnh các xác suất đầu ra của một bộ phân loại đã được huấn luyện sao cho điểm tin cậy dự đoán khớp với tần suất kết quả thực nghiệm. Một bộ phân loại được cho là hiệu chỉnh hoàn hảo nếu, trong số tất cả các dự đoán được đưa ra với độ tin cậy p, có đúng một phần p trong số đó là chính xác. Sự hiệu chỉnh sai có hệ thống của các mạng nơ-ron sâu hiện đại đã được ghi nhận một cách chặt chẽ bởi Guo và cộng sự (2017), những người đã chỉ ra rằng các mạng được huấn luyện với hàm mất mát cross-entropy tiêu chuẩn có xu hướng quá tự tin, và đề xuất phương pháp chia tỷ lệ nhiệt độ (temperature scaling) như một giải pháp khắc phục đơn giản, hiệu quả.