模型校准：避免过度简化与数据稀疏性作斗争
2025-09-21
本文探讨了模型校准中常见问题：由于校准数据集远小于原始训练集，导致等距回归算法过度简化概率分布，损失模型的精细度。文章分析了这种“数据稀疏性导致的扁平化”现象，并提出了多种诊断方法来区分由噪声引起的合理简化和由数据限制引起的过度简化。最后，介绍了Calibre包，该包通过放松等距约束或使用平滑单调模型，在保持校准效果的同时，尽可能保留原始模型的区分能力。