我见过的大多数事情只是使用最大概率，这似乎没问题，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是非常强烈地表示＆＃39; A＆＃39;的分类结果。
P（A）= 0.6，P（B）= 0.4是不太自信的A＆＃39;分类
一旦你抛出类别＆＃39; C＆＃39;在混合中，你可以得到 P（A）= 0.8，P（B）= 0.1，P（C）= 0.1，这是强烈的＆＃39; A＆＃39;
但是，您也可以获得以下其中一项：
P（A）= 0.50，P（B）= 0.25，P（C）= 0.25
P（A）= 0.50，P（B）= 0.49，P（C）= 0.01
现在，第一个案例不太自信，但仍会出现＆＃39; A＆＃39; 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。
在案例1中，＆＃39; A＆＃39;对结果没有信心，但其中没有别的可能。在案例2中，P（A）仍然是0.5，但它与P（B）基本相同，这意味着我不应该对观察结果有任何信心，因为A＆＃39;
是否有能够捕捉这种相对自信概念的功能？我一直试图想出一个解决方案，这个解决方案并不是一个简单的if语句集合，但并没有提出任何好的方法。
答案 0 :(得分：1)
你可能得到的是支持向量机的想法。在SVM分类器中，我们的目标是找到超平面，该超平面最大化它所分离的两个组中最接近的示例之间的距离。有关详细信息，请查看维基百科或SVM上的任何机器学习文本。在这种方法中，您可以对边界进行分类，使边界具有最大的余量。
对于逻辑回归，我们使用Softmax函数，该函数不是得分（i）/ Sum（得分全部）。它使用指数函数。这也最大化了概率之间的距离。
总的来说，分类算法的目标是给出答案，特别是对于可能含糊不清的情况。当然你可以投入一个额外的属性来说明确切概率是多少，但这通常不是主要目标。