我运行了一个h2o梯度提升分类器模型来预测三个类0,1和2的概率。训练数据中存在严重的阶级失衡(93:5:2(。
尽管单独的类1&2在混淆矩阵中没有正确预测(正如预期的那样(，AUC对于这些类别来说是合适的。
我计划手动预测最终类别
我的理解是，得到的概率(P0，P1&P2(被校准并加起来为1。
由于h2o中的多项式模型本质上是一对多的方法，但分数加起来是1，所以添加或比较概率正确吗？
因此，如果P0=0.40，P1=0.35和P2=0.25，则预测类别将为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？(由于类0的模型实际上是0，而不是所有其他类(
-
然后我可以比较1和2的概率吗；2并且假定P1(0.35(>P2(0.25(，那么预测的类应该是1？(由于生成的类是互斥的，并且概率加起来为1，这些类是否具有可比性？(
对于不平衡的目标列，我会避免AUC(因为它通常会很高(。考虑使用AUC-PR或Logloss。
对于多类/多项，你会有一个对所有的预测。因此，每个预测都是基于它的类与其他类。因此，P0是类0与类1+类2的概率。所以P(1,2(=0.6是有意义的。
对于比较概率，是的，您可以选择具有最高概率输出P1 (0.35) > P2 (0.25) -> Class = 1的预测类。