Os algoritmos deste repositório foram baseados no livro *Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow* de Aurelien Geron e, também nos o paper de 2017 de Meelis Kull, Telmo Silva Filho (UFPE) e Peter Flach entitulado Beta calibration: a well-founded and easily implemented improvement on logistic calibration for binary classifiers.
Este notebook aplica logistic regression e beta calibration em um Dummy dataset para tetar a eficiência de ambos na calibração das probabilidades associadas a cada label. Esses metódos foram feito para serem aplicados em classificadores binários e, embora possam ser aplicados métodos multi-class classifition como OvO (One-versus-one) e OvR (One-versus-rest), o processo escrita terá que ser manual e é extremente complicado pois, no caso do beta-calibration, ao menos no momento de publicação deste arquivo, não existem módulos no scikit-learn com o intuito de facilitar este processo.
Este outro notebook aplica métodos de calibração aos classificadores SVM e Logistic regression com o intuito de verificar qual método de calibração possui a melhor performance, no sentido de aproximar o grau de confiança da previsão com a probabilidade associada a cada classe. Os métodos de calibração usados foram platt's scalling, isotonic regression e beta calibration, sendo os dois primeiros baseados no paper Predicting Good Probabilities With Supervised Learning de Alexandru Niculescu-Mizil e Rich Caruana.