Suavização de rótulos e calibração
Por que isso importa Label smoothing é frequentemente vendido como "isso melhora a calibração". Às vezes funciona. Às vezes piora. Meça, não presuma.
O suavização de rótulos treina em direção a alvos como 0.91 para a classe verdadeira e 0.01 para cada outra classe, em vez de exatamente 1 e 0. Isso impede o modelo de levar sua confiança ao extremo. Se o modelo estava excessivamente confiante, isso ajuda. Se ele já estava pouco confiante, isso piora as coisas.
Preveja primeiro, depois meça neste modelo.
Palavras e símbolos nesta lição
- calibration, ECE
- se se a confiança corresponde à acurácia; a lacuna da média ponderada
Defina my_prediction como "better" ou "worse": o smoothing 0.1 vai baixar o ECE aqui? Depois calcule ece_plain e ece_smooth com as funções dadas, e defina measured para o que realmente aconteceu.
Viu um problema nesta lição? Reporte-o · Pergunte sobre esta lição
Este exercício abre em breve
Termine a lição anterior para que esta seja desbloqueada. O curso inteiro é gratuito, não precisa de conta, e você pode ler esta lição agora mesmo.
Este navegador está bloqueando cookies para learn.floati.life, então as lições que você terminou aqui não podem abrir em ordem. Permita cookies para este site e recarregue.