Temperaturskalierung
Definition
Temperaturskalierung passt die Wahrscheinlichkeitsangaben eines Klassifikators an, ohne seine gewählte Klasse zu ändern.
Temperaturskalierung ist eine Nachkalibrierungsmethode für Klassifikatoren: Ein positiver Skalar T wird auf separaten Validierungsdaten gelernt und teilt die Logits vor Softmax, ohne die vorhergesagte Klasse zu ändern.
Einfach erklärt
Die Entscheidung bleibt dieselbe, aber ihre angezeigte Sicherheit wird nachjustiert. Dafür verwendet man getrennte Beispiele zur Abstimmung.
Warum das im Alltag wichtig ist
Der Begriff hilft, KI-Systeme fundiert auszuwählen, zu entwickeln, zu bewerten und ihre technischen Risiken realistisch einzuordnen.
Beispiel aus dem Mittelstand
Ein Qualitätsmodell lernt den Temperaturparameter auf separaten Validierungsdaten und prüft anschließend Reliability-Diagramm und ECE.
Grenzen und Fallstricke
- Temperaturskalierung mit Sampling-Temperatur verwechseln, denselben Datensatz zum Anpassen und Bewerten verwenden oder Kalibrierung bei Datenverschiebung und für jede Untergruppe ungeprüft voraussetzen.
Entstehung & Geschichte
Guo und Mitautoren zeigten 2017, dass die einfache Nachbearbeitung moderne neuronale Netze häufig wirksam kalibriert.
Anwendung im Mittelstand
- Mögliche Anwendung: Ein Qualitätsmodell lernt den Temperaturparameter auf separaten Validierungsdaten und prüft anschließend Reliability-Diagramm und ECE.
Häufige Fragen
Was bedeutet Temperaturskalierung?
Temperaturskalierung ist eine Nachkalibrierungsmethode für Klassifikatoren: Ein positiver Skalar T wird auf separaten Validierungsdaten gelernt und teilt die Logits vor Softmax, ohne die vorhergesagte Klasse zu ändern. Welche Fehler sollte man vermeiden? Temperaturskalierung mit Sampling-Temperatur verwechseln, denselben Datensatz zum Anpassen und Bewerten verwenden oder Kalibrierung bei Datenverschiebung und für jede Untergruppe ungeprüft voraussetzen.
Quellen
- On Calibration of Modern Neural Networks · Guo et al., On Calibration of Modern Neural Networks
Quelle geprüft am 10.10.2026. Redaktionelle Anwendungsbeispiele sind hypothetisch; kein Nachweis realer Kundenergebnisse.
Redaktionell geprüft am: