<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom">
  <channel>
    <title>Kalibrasi on Nalar</title>
    <link>https://nalar.dev/id/tags/kalibrasi/</link>
    <description>Recent content in Kalibrasi on Nalar</description>
    <generator>Hugo</generator>
    <language>id-id</language>
    <lastBuildDate>Sun, 13 Sep 2026 00:00:00 +0000</lastBuildDate>
    <atom:link href="https://nalar.dev/id/tags/kalibrasi/index.xml" rel="self" type="application/rss+xml" />
    <item>
      <title>Kalibrasi Confidence Klasifikator dengan Temperature Scaling</title>
      <link>https://nalar.dev/id/kalibrasi-confidence-klasifikator-dengan-temperature-scaling/</link>
      <pubDate>Sun, 13 Sep 2026 00:00:00 +0000</pubDate>
      <guid>https://nalar.dev/id/kalibrasi-confidence-klasifikator-dengan-temperature-scaling/</guid>
      <description>&lt;p&gt;Sebuah klasifikator dapat memilih kelas yang benar tetapi memberikan probabilitas yang terlalu terkonsentrasi atau terlalu tersebar untuk aplikasi yang memakai skor tersebut. Temperature scaling menangani ketidaksesuaian ini setelah training model dengan menerapkan satu skalar positif pada logit sebelum softmax.&lt;/p&gt;&#xA;&lt;p&gt;Mekanismenya sengaja dibuat sempit. Metode ini mengubah ketajaman probabilitas, bukan informasi yang direpresentasikan oleh klasifikator. Batas tersebut membuat temperature scaling berguna ketika ranking kelas sudah memadai tetapi nilai confidence memerlukan kalibrasi terpisah.&lt;/p&gt;</description>
    </item>
  </channel>
</rss>
