Label smoothing und Kalibrierung
Warum das wichtig ist Label smoothing wird oft als "es verbessert die Kalibrierung" verkauft. Manchmal ist das so. Manchmal macht es es schlimmer. Messen, nicht annehmen.
Label smoothing trainiert auf Ziele wie 0.91 für die wahre Klasse und 0.01 für jede andere Klasse, anstatt genau 1 und 0. Das verhindert, dass das Modell seine Konfidenz ins Extreme drückt. Wenn das Modell überkonfident war, hilft das. Wenn es bereits unterkonfident war, macht es die Dinge schlimmer.
Vorhersage zuerst, dann Messung auf diesem Modell.
Wörter und Symbole in dieser Lektion
- calibration, ECE
- ob, ob das Vertrauen mit der Genauigkeit übereinstimmt; die Lücke des gewichteten Durchschnitts
Set my_prediction auf "better" oder "worse": wird smoothing 0.1 die ECE hier senken? Berechne dann ece_plain und ece_smooth mit den gegebenen functions und setze measured auf das, was tatsächlich passiert ist.
Ein Problem in dieser Lektion entdeckt? Melde es · Frage zu dieser Lektion
Diese Übung öffnet bald
Beende die vorherige Lektion, damit diese freigeschaltet wird. Der ganze Kurs ist kostenlos, kein Konto erforderlich, und du kannst diese Lektion jetzt direkt lesen.
Dieser Browser blockiert Cookies für learn.floati.life, daher können hier beendigte Lektionen nicht in der richtigen Reihenfolge geöffnet werden. Erlaube Cookies für diese Seite und lade sie neu.