比较 h2o gbm 中多项式模型的预测概率
Comparing predicted probabilities from multinomial models in h2o gbm
我 运行 一个 h2o 梯度提升 class 模型来预测三个 classes 0,1 和 2 的概率。存在严重的 class 不平衡（ 93:5:2) 在训练数据中。
尽管在混淆矩阵中未正确预测个体 classes 1 和 2（正如预期的那样），但 AUC 对这些 classes 个体来说是不错的。
我打算手动预测最后的classes
我的理解是，结果概率（P0、P1 和 P2）经过校准并加起来为 1。
由于 h2o 中的多项式模型本质上是一对多方法，但分数总和为 1，添加或比较概率是否正确？
因此，如果 P0 = 0.40、P1 =0.35 和 P2=0.25，则预测的 class 将为 0（基于最大概率）
这是否意味着P(1,2) = 0.6
或者 p（不是 0）= 0.6？ （因为 class 0 的模型对所有其他 classes 实际上是 0）
然后我可以比较1&2的概率，说P1（0.35）> P2（0.25），所以预测的class应该是1？
（由于结果class是互斥的且概率加起来为1，它们是否具有可比性？）
对于不平衡的目标列，我会避免使用 AUC（因为它通常会很高）。考虑使用 AUC-PR 或 Logloss。
对于 multiclass/multinomial，您会有一对一的预测。因此，每个预测都基于其 class 与其余预测的对比。所以 P0 是 class_0 vs class_1 + class_2 的概率。所以 P(1,2) = 0.6 是有道理的。
为了比较概率，是的，您可以 select 预测 class 具有最高概率输出 P1 (0.35) > P2 (0.25) -> Class = 1。
我 运行 一个 h2o 梯度提升 class 模型来预测三个 classes 0,1 和 2 的概率。存在严重的 class 不平衡（ 93:5:2) 在训练数据中。
尽管在混淆矩阵中未正确预测个体 classes 1 和 2（正如预期的那样），但 AUC 对这些 classes 个体来说是不错的。
我打算手动预测最后的classes
我的理解是，结果概率（P0、P1 和 P2）经过校准并加起来为 1。
由于 h2o 中的多项式模型本质上是一对多方法，但分数总和为 1，添加或比较概率是否正确？
因此，如果 P0 = 0.40、P1 =0.35 和 P2=0.25，则预测的 class 将为 0（基于最大概率）
这是否意味着P(1,2) = 0.6 或者 p（不是 0）= 0.6？ （因为 class 0 的模型对所有其他 classes 实际上是 0）
然后我可以比较1&2的概率，说P1（0.35）> P2（0.25），所以预测的class应该是1？ （由于结果class是互斥的且概率加起来为1，它们是否具有可比性？）
对于不平衡的目标列，我会避免使用 AUC（因为它通常会很高）。考虑使用 AUC-PR 或 Logloss。
对于 multiclass/multinomial，您会有一对一的预测。因此，每个预测都基于其 class 与其余预测的对比。所以 P0 是 class_0 vs class_1 + class_2 的概率。所以 P(1,2) = 0.6 是有道理的。
为了比较概率，是的，您可以 select 预测 class 具有最高概率输出 P1 (0.35) > P2 (0.25) -> Class = 1。