假设我们有一个简单的二元分类模型（神经网络——NN），用于将输入图像分类为“狗”（）或“非狗”（）。让我们假设 NN 有一个“sigmoid 输出”。训练后，我们输入一张狗的图像，NN 的输出是例如。据我了解，根据模型，“0.8”这个值是特定图像是“狗”的概率（“置信度”），预测是“它是狗”（因为 0.8 > 0.5） .$y=1$$y=0$$\hat{y}$$\hat{y} = 0.8$

但是真的是（真）概率吗？我的意思是：如果我们为 NN 提供许多不同的图像，并说其中 100 个，模型给出相同的。对于这个是一个真实的概率，我预计这些图像中有 80 个实际上是狗，而 20 个不是狗。为了检查这一点，我们将查看（假设它们存在）。在所有 100 张图像实际上都是狗的情况下，我们的模型做出了正确的预测（因为它正确地将所有这些都标记为狗，因为 0.8 > 0.5 对于所有 100 张图像），但不是真实的概率预测，因为它应该是1。这实际上是准确率，$\hat{y}$$\hat{y} = 0.8$$\hat{y}$$y$$\hat{y}$$100/100 = 1$. 另一方面，如果 100 张图像中有 80 张实际上是狗，20 张不是狗，那么模型预测的准确度，因为它再次错误地将所有 100 张图像分类为狗，但实际上只有 80 张是狗. 然而，现在代表真实概率。在其他情况下，准确率可以是例如 0.9，这意味着预测的不是正确的概率，但比第一种情况更接近它。$80/100 = 0.8$$\hat{y} = 0.8$$\hat{y} = 0.8$

所以，首先，我说的对吗？其次，“校准”是否解决了这个问题，即使 = accuracy 允许被解释为真实概率？$\hat{y}$$\hat{y}$