라벨 스무딩은 원-핫 목표의 일부를 모든 분류에 나누어 정답 목표를 1보다 작게, 비정답 목표를 0보다 크게 만드는 훈련 설정입니다.
정답 분류의 목표를 1에서 조금 낮추면 나머지 목표값은 그대로 0일까요?
세 분류의 정답이 첫 번째라면 원-핫 목표는 [1,0,0]입니다. 세 값의 합은 1입니다.
Keras 규칙에서 스무딩 s와 분류 수 C를 쓰면 정답 목표는 1-s+s/C, 비정답 목표는 각각 s/C입니다. C=3, s=0.1이면 [0.9333,0.0333,0.0333]이고 합은 여전히 1입니다.
라벨 스무딩은 훈련 손실에 쓰는 목표 분포를 완화하는 설정입니다. 실제 라벨이 애매하다는 선언도, 정확도·보정·공정성이 자동으로 좋아진다는 보증도 아닙니다.
분류 수와 예측은 고정하고 스무딩 값만 바꾸어 목표 합과 교차엔트로피를 비교하세요.
분류 3개의 목표값은 정답 1-s+s/3, 나머지 s/3입니다.
고정 예측 [0.80, 0.15, 0.05]의 교차엔트로피: 0.223
목표 분포를 바꾸는 훈련 설정이며 실제 정답이 불확실하다는 뜻이나 성능 보증은 아닙니다.
두 문제의 답을 모두 선택하면 해설을 볼 수 있습니다.
저장 위치를 확인하고 있습니다…
원문을 참고해 설명·도표·문항·실험을 새로 작성했습니다. 별도 표시가 없는 사례와 수치는 학습을 위한 가상 예시입니다. 원문 번역이나 실제 모델의 성능 평가 자료가 아닙니다.
라벨 스무딩 목표 분포 정의의 공식 API 문서 근거
