Label Smoothing adalah teknik yang digunakan dalam bidang Machine Learning untuk mengatur proses pembelajaran dengan mengembangkan prediksi di dekat label yang diamati sebelumnya, bukan hanya mengandalkan prediksi yang terlalu percaya diri. Teknik ini mengurangi efek terlalu percaya diri dalam prediksi dengan memperkenalkan keseragaman pada distribusi probabilitas label. Tujuan utama pemulusan label adalah untuk mengurangi overfitting pada model dan meningkatkan generalisasi prediksi.
Pemulusan label sering digunakan dengan model jaringan saraf. Hal ini memberikan efek pengaturan dengan mengurangi ketajaman pengambilan keputusan dan menjauhkan prediksi dari kondisi ekstrem yang pasti. Hal ini dilakukan dengan mengganti label keras (misalnya 0 atau 1) dengan distribusi probabilitas yang mempunyai tingkat kontinuitas tertentu. Misalnya, dalam tugas klasifikasi biner, label 1 akan diganti dengan probabilitas 0,9 untuk menunjukkan mendekati kepastian.
Pemulusan label juga dapat digunakan untuk mengurangi efek distribusi berekor panjang yang cenderung ada di beberapa kumpulan data. Dengan menghaluskan label, prediksi yang meyakinkan dibatasi dan tepi tajam antar kelas menjadi kabur.
Penghalusan label bisa efektif dalam meningkatkan kemampuan generalisasi model, karena mengurangi kepercayaan berlebihan pada prediksi dan menghukum prediksi yakin yang mungkin salah. Namun perlu diperhatikan bahwa penghalusan label tidak menjamin peningkatan akurasi karena hal ini bergantung pada kumpulan data dan masalah yang dihadapi.
Secara keseluruhan, pemulusan label adalah teknik regularisasi yang digunakan untuk meningkatkan kemampuan generalisasi model dengan mengurangi kepercayaan berlebihan pada prediksi. Hal ini dapat digunakan dengan model jaringan saraf untuk mengurangi efek prediksi terlalu percaya diri dan mengurangi efek distribusi ekor panjang yang ada di beberapa kumpulan data.
