深度学习分类时总是过分自信（概率值过高），想要更合理的输出每个类型的概率要怎么办？
2023-11-20 阅读 473
要获得更合理的输出每个类型的概率，可以考虑以下几个方法：
1. 使用更多的训练数据：增加训练数据集的规模可以帮助模型更好地学习数据的分布，从而提高分类的准确性和概率的可靠性。
2. 调整模型结构和超参数：可以尝试调整模型的层数、节点数、学习率等超参数，或者尝试不同的网络结构，以找到更合适的模型配置。
3. 使用集成学习方法：通过使用多个模型进行集成，可以减少单个模型的偏见和不确定性。例如，可以使用投票或平均的方式来获得每个类型的概率输出。
4. 引入正则化技术：正则化技术可以帮助减少过拟合的情况，从而提高模型的泛化能力和概率的准确性。例如，可以使用L1或L2正则化、dropout等方法。
5. 考虑使用贝叶斯方法：贝叶斯方法可以提供更合理的概率估计，通过引入先验知识和后验推断来更好地处理不确定性。
综上所述，通过增加数据量、调整模型参数、使用集成学习、引入正则化技术以及考虑贝叶斯方法等，可以帮助获得更合理的输出每个类型的概率。
更新于 2023年11月20日
