ガイド連動クイズ · 中 レベル

確率校正クイズ

校正定義、信頼性図、ECE、温度スケーリング、および検証品質が分類精度と異なる理由を確認します。

関連するガイドパス確率の校正
質問 1 の 8

予測内で 80% の信頼度がラベル付けされ、イベントが発生した場合、モデルは適切に調整されています。

すべての質問をプレビューする8 質問

クイズに答えると、答えと解説が表示されます。

  1. 予測内で 80% の信頼度がラベル付けされ、イベントが発生した場合、モデルは適切に調整されています。
    • 約80%の確率で
    • 100%の場合
    • 約20%の確率で
    • ちょうど 1 回
  2. 温度スケーリングはニューラル ネットワークの出力に何をしますか?
    • 予測されるクラスを変更する
    • ソフトマックスの前に学習されたスカラーでロジットを除算し、信頼度を調整します
    • トレーニングラベルにノイズを追加します
    • ネットワークを最初から再トレーニングします
  3. 信頼性図は何をプロットしますか?
    • トレーニング損失とエポックの関係
    • モデルのサイズと精度
    • 予測確率と観測頻度
    • 学習率とバッチサイズの関係
  4. 予想されるキャリブレーション誤差 (ECE) の測定値:
    • モデルトップ1の精度
    • モデル内のパラメータの数
    • 勾配の分散
    • ビン全体の信頼性と精度の間の加重平均ギャップ
  5. 最新のディープ ニューラル ネットワークは、次のように説明されることがほとんどです。
    • 自信過剰
    • 自信がない
    • デフォルトで完全に調整されています
    • 確率を出力できません
  6. 非常に正確なモデルでもキャリブレーションが必要なのはなぜですか?
    • 正確なモデルには常に校正誤差がゼロです
    • 精度と校正は別個の特性です
    • キャリブレーションは回帰に対してのみ重要です
    • 精度は正直な確率を保証します
  7. On which data is temperature scaling typically fit in the guide’s calibration workflow?
    • The final test set using classification accuracy
    • Only the training labels without model outputs
    • A held-out validation set using negative log-likelihood
    • The model’s hidden weights using mean squared error
  8. Why can temperature scaling improve calibration without changing top-1 accuracy?
    • It changes the model’s predicted class labels randomly
    • It retrains the feature extractor
    • It replaces every logit with the same value
    • Dividing logits by a positive scalar changes confidence but preserves their ordering