Le lissage des étiquettes et la calibration
Pourquoi c'est important Le lissage des étiquettes est souvent vendu comme « il améliore la calibration ». Parfois oui. Parfois il l'empire. Mesure, ne suppose pas.
Le lissage des étiquettes entraîne vers des cibles comme 0.91 pour la vraie classe et 0.01 pour chaque autre classe, au lieu d'exactement 1 et 0. Ça empêche le modèle de pousser sa confiance à l'extrême. Si le modèle était trop confiant, ça aide. S'il était déjà sous-confiant, ça empire les choses.
Prédis d'abord, puis mesure sur ce modèle.
Mots et symboles de cette leçon
- calibration, ECE
- si la confiance correspond à la justesse ; l'écart moyen pondéré
Affecte à my_prediction "better" ou "worse" : un lissage de 0.1 va-t-il baisser l'ECE ici ? Puis calcule ece_plain et ece_smooth avec les fonctions données, et affecte à measured ce qui s'est réellement passé.
Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon
Cet exercice s'ouvre bientôt
Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.
Ce navigateur bloque les cookies pour learn.floati.life, donc les leçons que tu as terminées ici ne peuvent pas s'ouvrir dans l'ordre. Autorise les cookies pour ce site et recharge la page.