不确定性校准深度实战：从可靠性图、ECE 到温度缩放与贝叶斯校准的工程全解
系统拆解模型校准的第一性原理：为什么高准确率网络普遍过自信、区分度与校准度解耦；从完美校准定义 P(Ŷ=Y|Ĉ=p)=p、可靠性图（校准曲线）、ECE/MCE/class-wise ECE/Brier/NLL（ECE 非 proper scoring rule，须与 NLL 同报）的评估体系，到参数化缩放谱系（Platt/Isotonic/Vector/Matrix/Temperature Scaling——单标量 T 保留 argmax 与 AUC 的性价比之王）、训练期标签平滑/数据增强/蒸馏反而放大过自信的反作用、以及 MC Dropout/Deep Ensemble/Conformal Prediction 对真实不确定性（认知+偶然）的建模。深入温度缩放实战（在独立验证集、eval 模式、fp32 下拟合 T>1）、12 项生产陷阱清单（训练集泄漏、未 eval、低精度、bin 数、类别不平衡、OOD 检测、多任务、漂移）与可复现 PyTorch 工具箱。与本站 损失函数、正则化、激活函数、RMSNorm、相对位置编码、交叉注意力、残差连接、学习率调度、梯度累积、词嵌入 共同构成 Transformer 内部机制与训练工程深度解系列（补全输出可靠性一环），并与 成员推断/模型提取攻击 共享"置信度"这一攻防面（校准是一把双刃剑）。
