Calibration par température

Scikit-learn 1.8 ajoute la méthode "temperature" à CalibratedClassifierCV. Le temperature scaling est une technique simple et efficace pour calibrer les probabilités d'un classificateur : un seul paramètre scalaire est appris pour ajuster la distribution des softmax.

Exemple pratique

python 
from sklearn.datasets import make_classification
from sklearn.ensemble import GradientBoostingClassifier
from sklearn.calibration import CalibratedClassifierCV
from sklearn.model_selection import train_test_split

X, y = make_classification(n_samples=5000, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42
)

# Classificateur de base
clf = GradientBoostingClassifier(n_estimators=100)

# Calibration par température
calibrated = CalibratedClassifierCV(
    clf, method='temperature', cv=5
)
calibrated.fit(X_train, y_train)

# Probabilités mieux calibrées
proba = calibrated.predict_proba(X_test)
print(f'Forme : {proba.shape}')  # (1500, 2)

Sources