エントリーの編集
エントリーの編集は全ユーザーに共通の機能です。
必ずガイドラインを一読の上ご利用ください。
確率補正とその実装:プラットスケーリングを用いた例 - Qiita
記事へのコメント0件
- 注目コメント
- 新着コメント
このエントリーにコメントしてみましょう。
注目コメント算出アルゴリズムの一部にLINEヤフー株式会社の「建設的コメント順位付けモデルAPI」を使用しています
- バナー広告なし
- ミュート機能あり
- ダークモード搭載
関連記事
確率補正とその実装:プラットスケーリングを用いた例 - Qiita
はじめに、私たちは分類問題で機械学習モデルを使用する際、クラスラベルだけでなく、予測確率にも注目... はじめに、私たちは分類問題で機械学習モデルを使用する際、クラスラベルだけでなく、予測確率にも注目することがあります。予測確率は特に、医療、金融、保険など、リスク評価が重要な領域でよく使用されます。しかし、モデルが出力する確率が真の確率と一致する保証はなく、カリブレーション(確率補正)が必要になることがあります。ここでは、プラットスケーリングを用いた確率補正の方法について解説します。 プラットスケーリングとは プラットスケーリングは、モデルが出力する確率を真の確率に近づけるための方法です。具体的には、サポートベクターマシンやブースティングアルゴリズムなどのモデルの出力をシグモイド関数に通すことで、補正された確率を得ます。 scikit-learnでのプラットスケーリングの実装 Pythonのscikit-learnライブラリでは、CalibratedClassifierCVを使用して確率補正