h2o gbm中多项式模型预测概率的比较
h2o gbm中多项式模型预测概率的比较
提问于 2021-03-25 18:18:16
我建立了一个h2o梯度增强分类器模型来预测0、1和2类的概率。训练数据中存在严重的类不平衡(93:5:2)。
虽然在混淆矩阵中没有正确地预测单个类别1和2(如预期的那样)，但AUC是适合这些类单独使用的。
我计划手动预测最终的类。
我的理解是，得到的概率(P0，P1和P2)被校准，并被归纳为1。
由于h2o中的多项式模型本质上是一对多的方法，但分数是1，所以增加或比较概率是正确的吗？
因此，如果P0 = 0.40，P1 =0.35和P2=0.25，则预测的类为0(基于最大概率)。
classes)
- 是指P(1,2) = 0.6还是p(非0) = 0.6？()，因为对于所有其他的
- ，0类的模型实际上是0。
然后，我可以比较1&2的概率，比如comparable?) (0.35) > P2 (0.25)，所以预测的类应该是1？(，因为生成的类是相互排斥的，概率之和为1 )，这些都是
- 吗？
回答 1
Stack Overflow用户
回答已采纳
发布于 2021-03-26 17:10:08
对于不平衡的目标列，我将避免AUC (因为它通常会很高)。考虑使用AUC-PR或Logloss。
对于多类/多项，您将有一个-vs-所有预测。因此，每个预测都是基于其类与其他类之间的关系。所以P0是class_0对class_1 + class_2的概率，所以P(1,2) = 0.6是合理的。
为了比较概率，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。
页面原文内容由Stack Overflow提供。腾讯云小微IT领域专用引擎提供翻译支持
原文链接：
https://stackoverflow.com/questions/66805422
复制相关文章
相似问题
腾讯云开发者
