Le processus d'ajustement des paramètres du modèle et, le cas échéant, des entrées ou termes de correction de biais afin que les prévisions du modèle concordent mieux avec les données d'observation, incluant souvent des étapes de validation et la prise en compte des performances prédictives sur les conditions cibles.

Principe

La calibration aligne les sorties du modèle avec les données en optimisant des paramètres ou en ajoutant des termes correctifs tout en prévenant le surajustement via validation croisée, régularisation ou rétention de données de validation ; elle reconnaît l'incertitude des paramètres et l'erreur structurelle du modèle.

Démonstration

Ajuster les paramètres d'un modèle climatique pour reproduire les cycles saisonniers de température observés, modifier des facteurs d'émission dans un modèle de qualité de l'air pour correspondre aux mesures de concentration, ou calibrer le biais d'un capteur avant assimilation dans des prévisions.

Mauvaise application

Trop ajuster les paramètres pour faire correspondre un jeu de données particulier (fouille de données) de sorte que le modèle ajuste le bruit plutôt que le signal, ou utiliser la calibration pour masquer des déficiences structurelles du modèle au lieu de réviser la structure du modèle.

Conséquence

Un modèle bien calibré offre une meilleure précision prédictive dans le domaine de calibration et des estimations d'incertitude plus claires ; il soutient des prévisions fiables et des simulations utiles pour les décisions, mais nécessite une validation attentive pour garantir la transférabilité hors données de calibration.

Inversion

Validation ou falsification du modèle : au lieu d'ajuster les paramètres pour coller aux données, le modèle est testé puis éventuellement rejeté, ou des structures de modèle alternatives sont envisagées ; l'agrégat de modèles peut être utilisé plutôt que la calibration d'un seul modèle.

Limite

Se concentre sur l'ajustement des paramètres/entrées et l'alignement pratique aux données pour des fins prédictives ; exclut la sélection de modèle pure (choix entre structures alternatives) et se distingue de l'estimation de paramètres en ce que la calibration est souvent pragmatique, itérative et orientée vers l'utilité prédictive plutôt que vers l'optimalité statistique pure.

Tension sémantique

Une tension existe entre la calibration et le surajustement d'une part et une estimation statistique rigoureuse d'autre part ; la calibration est pragmatique et axée sur la performance, tandis que l'estimation statistique met l'accent sur une quantification de l'incertitude et des diagnostics d'identifiabilité fondés.

Synthèse

La calibration du modèle est l'ajustement pragmatique des paramètres et termes correctifs pour rapprocher les sorties du modèle des observations, en équilibrant ajustement et généralisation par validation, régularisation et traitement explicite de l'incertitude et de l'erreur structurelle.