Honest calibration assessment for binary outcome predictions
二元结果概率预测的诚实校准评估AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要研究通用二元预测的概率校准与置信带，未明确因果、离散选择或金融及宏观应用方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
二元结果概率预测的诚实校准评估
- 研究问题
- 如何用具有覆盖保证的置信带评估二元概率预测的校准程度，并支持判定模型是否达到足够好的校准水平？
- 方法与思路
- 作者在校准曲线单调的假设下构造新置信带，既检验完全校准，也通过反向拟合优度检验评估模型是否足够合格。
- 材料陈述的贡献
- 摘要称置信带具有有限样本覆盖保证、更窄且能适应局部平滑度和方差，并以婴儿低出生体重预测展示校准诊断。
- 阅读关注点
- 应核对单调性假设、置信带构造与覆盖概率、足够校准的容许偏差定义，以及与已有方法比较带宽的条件。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；覆盖保证依赖单调性，摘要未交代其他条件或具体应用结果。
原文摘要
Probability predictions from binary regressions or machine learning methods ought to be calibrated: If an event is predicted to occur with probability $x$, it should materialize with approximately that frequency, which means that the so-called calibration curve $p(\cdot)$ should equal the identity, $p(x) = x$ for all $x$ in the unit interval. We propose honest calibration assessment based on novel confidence bands for the calibration curve, which are valid only subject to the natural assumption of isotonicity. Besides testing the classical goodness-of-fit null hypothesis of perfect calibration, our bands facilitate inverted goodness-of-fit tests whose rejection allows for the sought-after conclusion of a sufficiently well specified model. We show that our bands have a finite sample coverage guarantee, are narrower than existing approaches, and adapt to the local smoothness of the calibration curve $p$ and the local variance of the binary observations. In an application to model predictions of an infant having a low birth weight, the bounds give informative insights on model calibration.