هموارسازی برچسب و کالیبراسیون
چرا مهم است هموارسازی برچسب اغلب با این ادعا فروخته میشود که «کالیبراسیون را بهتر میکند». گاهی میکند. گاهی بدترش میکند. بسنجید، فرض نکنید.
هموارسازی برچسب به جای دقیقاً 1 و 0، به سوی هدفهایی مثل 0.91 برای کلاس واقعی و 0.01 برای هر کلاس دیگر آموزش میدهد. این مانع میشود مدل اطمینانش را به حد نهایی برساند. اگر مدل بیش از حد مطمئن بود، کمک میکند. اگر از قبل کماطمینان بود، اوضاع را بدتر میکند.
اول پیشبینی کنید، سپس روی این مدل بسنجید.
واژهها و نمادهای این درس
- کالیبراسیون، ECE
- اینکه اطمینان با دقت جور است یا نه؛ میانگین وزنی فاصله
my_prediction را برابر "better" یا "worse" قرار دهید: آیا هموارسازی 0.1 اینجا ECE را پایین میآورد؟ سپس ece_plain و ece_smooth را با تابعهای دادهشده محاسبه کنید و measured را برابر آنچه واقعاً رخ داد قرار دهید.
مشکلی در این درس دیدید؟ گزارشش کنید · دربارهٔ این درس بپرسید
این تمرین بهزودی باز میشود
درس پیش از آن را تمام کنید تا این یکی باز شود. کل دوره رایگان است، حساب کاربری لازم نیست، و میتوانید همین الان این درس را بخوانید.
این مرورگر کوکیهای learn.floati.life را مسدود میکند، پس درسهایی که اینجا تمام کردید نمیتوانند به ترتیب باز شوند. کوکیها را برای این سایت مجاز کنید و صفحه را دوباره بارگذاری کنید.