Penghalusan label dan kalibrasi
Kenapa ini penting Label smoothing sering dijual sebagai "ini memperbaiki kalibrasi". Kadang memang benar. Kadang malah memperburuknya. Ukur, jangan berasumsi.
Label smoothing melatih model menuju target seperti 0.91 untuk kelas yang benar dan 0.01 untuk kelas lainnya, alih-alih tepat 1 dan 0. Itu menghentikan model mendorong keyakinannya ke titik ekstrem. Jika model terlalu percaya diri, itu membantu. Jika model sudah kurang percaya diri, itu memperburuk keadaan.
Prediksi dulu, lalu ukur pada model ini.
Kata dan simbol di pelajaran ini
- kalibrasi, ECE
- apakah confidence sesuai dengan accuracy; selisih rata-rata tertimbang
Atur my_prediction ke "better" atau "worse": apakah smoothing 0.1 akan menurunkan ECE di sini? Lalu hitung ece_plain dan ece_smooth dengan fungsi yang diberikan, dan atur measured ke apa yang sebenarnya terjadi.
Ada masalah di pelajaran ini? Laporkan · Tanya tentang pelajaran ini
Latihan ini akan segera dibuka
Selesaikan pelajaran sebelumnya agar pelajaran ini terbuka. Seluruh kursus ini gratis, tidak butuh akun, dan kamu bisa baca pelajaran ini sekarang.
Browser ini memblokir cookie untuk learn.floati.life, jadi pelajaran yang sudah kamu selesaikan di sini tidak bisa dibuka berurutan. Izinkan cookie untuk situs ini dan muat ulang.