Calibração: Combatendo a Supersimplificação e Dados Esparsos

Este artigo aborda um problema comum na calibração de modelos: a regressão isotônica, devido ao conjunto de dados de calibração ser muito menor que o conjunto de treinamento original, supersimplifica a distribuição de probabilidade, perdendo as distinções granulares do modelo. O artigo analisa esse fenômeno de 'achatamento induzido por escassez de dados' e propõe vários métodos de diagnóstico para distinguir entre simplificação justificável devido a ruído e supersimplificação devido a limitações de dados. Finalmente, apresenta o pacote Calibre, que, relaxando restrições isotônicas ou usando modelos monótonos suaves, mantém a precisão da calibração enquanto preserva o máximo possível do poder discriminatório do modelo original.