Key points are not available for this paper at this time.
As probabilidades de classe previstas pela maioria dos classificadores multiclass estão descalibradas, muitas vezes tendendo para a superconfiança. Com redes neurais, a calibração pode ser melhorada pela escalagem de temperatura, um método para aprender um único fator multiplicativo corretivo para entradas da última camada softmax. Em modelos não neurais, os métodos existentes aplicam calibração binária de maneira pareada ou um-contra-todos. Propomos um método de calibração nativamente multiclass aplicável a classificadores de qualquer classe de modelo, derivado de distribuições de Dirichlet e generalizando o método de calibração beta da classificação binária. É facilmente implementável com redes neurais, pois é equivalente a transformar logaritmicamente as probabilidades não calibradas, seguido de uma camada linear e softmax. Experimentos demonstram previsões probabilísticas melhoradas de acordo com várias medidas (confidence-ECE, classwise-ECE, log-loss, Brier score) em uma ampla gama de conjuntos de dados e classificadores. Os parâmetros do mapa de calibração de Dirichlet aprendido fornecem insights sobre os vieses no modelo não calibrado.
Kull et al. (Mon,) estudaram essa questão.