Аннотация:При нейросетевом решении задачи бинарной классификации, полученные метки и оценки принадлежности примеров к классам прошли постобработку с помощью методов калибровки: Гистограммного биннинга, Изотонной регрессии, Байесовского биннинга и Температурного шкалирования. По результатам выполнения данной курсовой работы можно сделать следующие выводы:
1. Для модели многослойного персептрона лучшие оценки эффективности показали методы Температурного шкалирования и Байесовского биннинга, наблюдалось ухудшение качества при методах Изотонной регрессии и Гистограммного биннинга.
2. Для модели метода опорных векторов высокие значения получены при применении метода Температурного шкалирования, другие методы показали менее высокие результаты.
3. Для классификатора со стохастическим градиентным спуском самая высокая оценка эффективности была при применении метода Изотонной регрессии.
4. При применении метода Изотонной регрессии, получены наилучшие результаты
для модели случайного леса.