背景：关于如何校准预测结果发生概率的模型，这里有一些很好的问题/答案。例如
这些方法通常需要对预测概率使用分箱方法，以便通过取平均结果在分箱上平滑结果 (0, 1) 的行为。
问题： 但是，我找不到任何指导我如何选择 bin 宽度的东西。
问题：如何选择最佳的 bin 宽度？
尝试：使用中的两种常见的 bin 宽度似乎是：
但是，如果人们有兴趣在预测概率中找到校准最差的区间，那么这些箱的选择是否是最优化的？
任何使用分箱的统计方法最终都被认为是过时的。自 1990 年代中期以来，连续校准曲线估计已司空见惯。常用的方法是黄土（关闭异常值检测）、线性逻辑校准和样条逻辑校准。我在我的回归建模策略一书和课程笔记中详细介绍了这一点。见https://hbiostat.org/rms。Rrms包使平滑的非参数校准曲线易于获得，无论是使用独立的外部样本还是使用原始模型开发样本的引导程序。
以我的经验，分箱有助于可视化概率分布，但如果想将 if 用于统计测试和/或参数推断，这通常是一个坏主意。主要是因为立即通过 bin 宽度限制精度。另一个常见问题是当变量不受约束时，即必须引入低截止和高截止。
在 Kolmogorov-Smirnov 精神中使用累积分布可以规避许多这些问题。在这种情况下，也有许多很好的统计方法可用。（例如，参见https://en.wikipedia.org/wiki/Kolmogorov%E2%80%93Smirnov_test）