模型校準圖產生器
用實驗或研究資料建立 模型校準圖產生器
根據真實結果與預測機率建立模型校準圖或可靠度圖，呈現機率分箱與理想校準對角線。
為研究資料設計可在 SciVis 編輯支援 CSV、TSV、TXT 與 Excel適合論文輸出
模型校準圖產生器 範例
查看 6 組可直接使用的資料與視覺風格，涵蓋真實研究情境。
模型校準圖產生器（Model Calibration Plot Generator）能呈現什麼？
模型校準圖產生器用於比較預測機率與實際觀測到的事件發生率。校準良好的模型會貼合對角線（Identity Line）；系統性偏離則會揭示模型存在過度預測或預測不足的問題，即使區別度指標（如 AUC）表現優異亦然。
模型校準圖產生器的數據格式要求
- 每個案例須包含一個介於 0 到 1 之間的預測機率，以及一個二元實際觀測結果（0 或 1）。
- 可加入選用的模型、世代（Cohort）、摺疊（Fold）或子組欄位以進行多組別比較。
- 請確保使用獨立的測試集或驗證集，而非訓練數據。
- 若上傳已分箱（Binned）的數據，須包含平均預測機率、實際觀測比例以及該分箱的樣本數。
模型校準圖的學術研究應用範例
- 臨床風險預測可靠度圖
- 二元分類器校準圖
- 含 Brier 分數的機率校準曲線
- 機器學習模型校準曲線
- 多模型校準圖比較
- 設備故障機率校準圖
為什麼需要評估模型校準度？
- 驗證模型預測的 20% 風險，是否確實對應到每 100 個相似案例中約有 20 個事件發生。
- 找出那些排序能力佳、但絕對機率預測值不可靠的模型。
- 比較內部驗證、時間驗證與外部驗證世代的表現差異。
- 在臨床決策或實際應用前，呈現預測的不確定性與數據稀疏區域。
如何使用 模型校準圖產生器
選擇範例，或上傳一個 CSV、TSV、TXT、XLSX、XLS 檔案；檢查辨識出的欄位，產生圖表，再進入 SciVis 編輯。Excel 僅匯入第一個工作表。
一張清晰的模型校準圖應包含哪些要素
- x 軸為預測機率，y 軸為實際觀測頻率。
- 一條 45 度的理想校準參考線。
- 分箱計數、地毯圖（Rug Plot）或其他能呈現機率分佈密度的標示。
- 在統計學合理的前提下，標示信賴區間或平滑化曲線細節。
該選擇模型校準圖還是 ROC 曲線？
模型校準圖用於評估預測機率值在數值上是否值得信賴。ROC 曲線則用於評估不同門檻下的排序能力。一個模型可能擁有極高的 AUC，但校準度卻很差，因此這兩者解答的是不同的科學問題。
模型校準圖產生器 常見問題
模型校準圖產生器需要哪些數據欄位？
若使用列層級數據，請提供 predicted_probability 與 observed_outcome 欄位。若使用彙整數據，請提供各分箱的平均預測機率、實際事件發生率及觀測值數量。
模型校準圖會自動幫我的模型進行重新校準（Recalibration）嗎？
不會。本工具僅將您提供的預測值與實際結果進行視覺化呈現。您必須獨立擬合並驗證任何重新校準方法，然後將更新後的機率作為另一個模型或世代繪製出來。
用 模型校準圖產生器 產生後還能繼續編輯嗎？
可以。用 模型校準圖產生器 產生後開啟 SciVis，即可修改標籤、配色、註解、版面與其他視覺設定。
模型校準圖產生器 的圖可以用於論文嗎？
可以。模型校準圖產生器 以清楚、適合發表的科學圖表為目標；投稿前仍應核對資料與期刊要求。
模型校準圖產生器 可以輸出高解析度圖嗎？
可以。模型校準圖產生器 圖在 SciVis 完成編輯後，可依論文、海報、投影片與報告用途輸出。
使用 模型校準圖產生器 需要會寫程式嗎？
不需要。模型校準圖產生器 透過引導式上傳流程建立初稿，後續可用 SciVis 的視覺控制細修。
