แบบทดสอบที่เชื่อมโยงกับคำแนะนำ · ปานกลาง ระดับ
แบบทดสอบการสอบเทียบความน่าจะเป็น
ตรวจสอบคำจำกัดความของการสอบเทียบ แผนภาพความน่าเชื่อถือ ECE สเกลอุณหภูมิ และเหตุใดคุณภาพการตรวจสอบจึงแตกต่างจากความแม่นยำในการจำแนกประเภท
คำถาม 1 ของ 8
แบบจำลองได้รับการปรับเทียบอย่างดี หากในบรรดาการคาดการณ์พบว่ามีความมั่นใจ 80% ว่าเหตุการณ์เกิดขึ้น:
ดูตัวอย่างทุกคำถาม8 คำถาม
คำตอบและคำอธิบายจะปรากฏขึ้นเมื่อคุณทำแบบทดสอบ
- แบบจำลองได้รับการปรับเทียบอย่างดี หากในบรรดาการคาดการณ์พบว่ามีความมั่นใจ 80% ว่าเหตุการณ์เกิดขึ้น:
- ประมาณ 80% ของเวลา
- 100% ของเวลา
- ประมาณ 20% ของเวลา
- ครั้งเดียวเลย
- การปรับขนาดอุณหภูมิมีผลอย่างไรกับเอาต์พุตของโครงข่ายประสาทเทียม
- เปลี่ยนคลาสที่ทำนายไว้
- แบ่งบันทึกด้วยสเกลาร์ที่เรียนรู้ก่อนซอฟต์แม็กซ์ เพื่อปรับความเชื่อมั่น
- เพิ่มเสียงรบกวนให้กับป้ายการฝึกอบรม
- ฝึกเครือข่ายใหม่ตั้งแต่ต้น
- แผนภาพความน่าเชื่อถือแสดงอะไร?
- การสูญเสียการฝึกเทียบกับยุค
- ขนาดโมเดลเทียบกับความแม่นยำ
- ความน่าจะเป็นที่คาดการณ์ไว้เทียบกับความถี่ที่สังเกตได้
- อัตราการเรียนรู้เทียบกับขนาดแบทช์
- มาตรการวัดข้อผิดพลาดในการสอบเทียบที่คาดหวัง (ECE):
- ความแม่นยำอันดับ 1 ของโมเดล
- จำนวนพารามิเตอร์ในโมเดล
- ความแปรปรวนของการไล่ระดับสี
- ช่องว่างค่าเฉลี่ยถ่วงน้ำหนักระหว่างความมั่นใจและความแม่นยำในถังขยะ
- โครงข่ายประสาทเชิงลึกสมัยใหม่มักถูกอธิบายว่าเป็น:
- มั่นใจมากเกินไป
- ขาดความมั่นใจ
- ปรับเทียบอย่างสมบูรณ์แบบตามค่าเริ่มต้น
- ไม่สามารถส่งออกความน่าจะเป็นได้
- เหตุใดแบบจำลองที่มีความแม่นยำสูงจึงยังต้องมีการสอบเทียบ
- โมเดลที่แม่นยำมักมีข้อผิดพลาดในการสอบเทียบเป็นศูนย์เสมอ
- ความแม่นยำและการสอบเทียบเป็นคุณสมบัติที่แตกต่างกัน
- การสอบเทียบมีความสำคัญต่อการถดถอยเท่านั้น
- ความแม่นยำรับประกันความน่าจะเป็นที่ซื่อสัตย์
- 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
- 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