Почему оптимизация log loss не гарантирует, что логистическая регрессия всегда калибрована?
Classic MLУровень: ПрактикаModel-specific calibration
Почему оптимизация log loss не гарантирует, что логистическая регрессия всегда калибрована?
Подсказки
- Семейство модели может быть неверным.
- Обучающая и рабочая популяции могут различаться.
Ответ
Важны корректность спецификации, регуляризация и распределение оценки. Хорошее поведение в правильно заданной модели не является гарантией при неверной спецификации или сдвиге данных.
Источник и лицензия: scikit-learn 1.7.2 — calibration · BSD-3-Clause · ответ: редакция Quantoros · перевод: Quantoros