Platt Scaling
John Platt于1999年提出的将SVM判别输出转化为概率值的方法，通过拟合Sigmoid函数并内部交叉验证实现，会带来额外的训练开销
核心事实
时间轴 (近 90 天)
Temperature Scaling、Platt Scaling等后处理方法可在不改变模型预测排序的前提下重新调整输出概率分布
常见的后校准技术包括温度缩放（Temperature Scaling）、Platt Scaling 和等渗回归（Isotonic Regression），通过在独立验证集上拟合修正函数将原始输出重新映射为更可靠的概率估计而无需重新训练模型
置信度校准方法包括 Platt Scaling、Temperature Scaling 等后处理技术
解决模型校准不良的技术手段包括温度缩放、Platt Scaling等后处理校准方法，以及贝叶斯神经网络、MC Dropout等不确定性估计技术
常用的校准方法包括Platt Scaling（使用逻辑回归拟合sigmoid函数）和Isotonic Regression（使用保序回归拟合非参数单调映射）
概率校准是指将模型输出的预测分数转化为真实概率估计的后处理技术，常用方法包括 Platt Scaling 和 Isotonic Regression
全部知识事实 (7)
神经网络存在过度自信缺陷，即便输入落入训练分布之外，Softmax层仍可能输出虚高的置信度分数
75%已验证常用的校准方法包括Platt Scaling（使用逻辑回归拟合sigmoid函数）和Isotonic Regression（使用保序回归拟合非参数单调映射）
65%已验证概率校准是指将模型输出的预测分数转化为真实概率估计的后处理技术，常用方法包括 Platt Scaling 和 Isotonic Regression
65%待验证常见的后校准技术包括温度缩放（Temperature Scaling）、Platt Scaling 和等渗回归（Isotonic Regression），通过在独立验证集上拟合修正函数将原始输出重新映射为更可靠的概率估计而无需重新训练模型
70%待验证Temperature Scaling、Platt Scaling等后处理方法可在不改变模型预测排序的前提下重新调整输出概率分布
50%待验证置信度校准方法包括 Platt Scaling、Temperature Scaling 等后处理技术
50%待验证解决模型校准不良的技术手段包括温度缩放、Platt Scaling等后处理校准方法，以及贝叶斯神经网络、MC Dropout等不确定性估计技术
50%