在贝叶斯和树分类器的上下文中，橙色信息得分最大值

Question

我正在使用Orange软件包，并根据可用的教程编写了以下代码：

import orange,orngTest,orngStat,orngTree,Orange
bayes = orange.BayesLearner()
tree=orngTree.TreeLearner(mForPruning=2)
bayes.name="bayes"
tree.name="tree"
data = Orange.data.Table("iris.tab")
learners=[bayes,tree]
results=orngTest.crossValidation(learners,data,folds=10)
print "Learner    CA    IS    Brier    AUC"
for i in range(len(learners)):
    print "%-8s    %5.3f    %5.3f    %5.3f    %5.3f" %\
    (learners[i].name,\
    orngStat.CA(results)[i],\
    orngStat.IS(results)[i],\
    orngStat.BrierScore(results)[i],\
    orngStat.AUC(results)[i])

这导致以下打印：

Running script:
Learner      CA        IS     Brier    AUC  
bayes       0.920    1.402    0.098    0.993  
tree        0.940    1.447    0.120    0.967  

基于Information Score

的以下说明

  

让实例的正确类为C.回想P（C）是   C类和P'（C）的先验概率是后验概率   由分类器返回。我们考虑两种情况：（a）P'（C）＆gt; P（C）   这里C类的概率在正确的方向上发生了变化，   因此我们会称这样的答案有用。它应该被授予一个   积极的得分。 Co）P'（C）＆lt; P（C）这里是C类的概率   改变方向错误，因此我们会称之为答案   误导。它应该被分配一个负分数。

以下：

Suppose the classifier in 1950 answered:   
P'(Bush) = 0.45   
P'(Dukakis) = 0.55   
P'(all others) = 0  

大于1.0的值对于信息得分是否无效？或者我在这种类型的数据集上使用了不正确的分类器，iris.tab数据集中有三种不同的数据类别。