machine-learning - 一般来说，如何解释多标签分类器产生的概率？

Question

我见过的大多数东西都只是使用最大概率，这看起来不错，但并没有给你任何信心的迹象。相对概率也应该很重要，对吧？让我解释一下:

对于二元分类器，假设您的类别是 A 和 B。

P(A) = 0.01、P(B) = 0.99 是非常强烈地表明“A”的分类结果。

P(A) = 0.6、P(B) = 0.4 是置信度较低的“A”分类。

一旦你将类别“C”加入其中，你就可以得到P(A) = 0.8，P(B) = 0.1，P(C) = 0.1，强“A”

但是，您还可以获得以下其中一项:

1. P(A) = 0.50、P(B) = 0.25、P(C) = 0.25

2. P(A) = 0.50、P(B) = 0.49、P(C) = 0.01

现在，第一个案例信心不足，但仍会出现“A”如果 max 是我唯一的标准，那么第二种情况将完全相同，但显然不是。

在情况 1 中，“A”对结果没有那么有信心，但除此之外没有其他可能。在情况 2 中，P(A) 仍然是 0.5，但它基本上与 P(B) 相同，这意味着我不应该真正相信观察结果是“A”

是否有一个函数可以捕捉这种相对置信度的概念？我一直在尝试想出一个解决方案，该解决方案不是一堆困惑的 if 语句，但还没有想出任何好的办法。

Answer 1

您所理解的可能是支持向量机的概念。在 SVM 分类器中，我们的目标是找到一个超平面，使它所分离的两个组中最接近的示例之间的距离最大化。有关详细信息，请查看维基百科或任何有关 SVM 的机器学习文本。在这种方法中，您可以对事物进行分类，以使边界具有最大的边距。

对于逻辑回归，我们使用Softmax函数，它不是score(i)/Sum(Score all)。它使用指数函数。这也最大化了概率之间的距离。

一般来说，分类算法的目标是给出答案，特别是对于可能不明确的情况。当然，您可以添加一个额外的属性来说明确切的概率是多少，但这通常不是主要目标。