Question

 public BinomialModelPrediction predictBinomial(RowData data) throws PredictException {
      double[] preds = this.preamble(ModelCategory.Binomial, data);
      BinomialModelPrediction p = new BinomialModelPrediction();
      double d = preds[0];
      p.labelIndex = (int)d;
      String[] domainValues = this.m.getDomainValues(this.m.getResponseIdx());
      p.label = domainValues[p.labelIndex];
      p.classProbabilities = new double[this.m.getNumResponseClasses()];
      System.arraycopy(preds, 1, p.classProbabilities, 0, p.classProbabilities.length);
      if(this.m.calibrateClassProbabilities(preds)) {
          p.calibratedClassProbabilities = new double[this.m.getNumResponseClasses()];
          System.arraycopy(preds, 1, p.calibratedClassProbabilities, 0, p.calibratedClassProbabilities.length);
       }
       return p;
  }

例如：classProbabilities = [0.82333,0,276666] labelIndex = 1 label = true domainValues = [false，true]

这个labelIndex表示什么是类概率 order与域值顺序相同，如果order相同则表示此处false的概率为0.82333，true的概率为0.27666，但为什么此labelIndex显示为1且标签为true。

请帮我解决这个问题。

Answer 1

就像汤姆评论的那样，预测并非错误＆＃34;。您可以从中推断出H2O选择的阈值小于0.27666。你可能有不平衡的训练数据，否则H2O就没有选择一个低阈值来将预测值0.27666分类为1.你的训练集中包含的阳性分类的例子少于负分类吗？

如果您因任何原因不喜欢该阈值，那么您可以手动创建自己的阈值。只需确保您知道如何正确评估使用不同阈值对模型性能的影响，否则我建议您只使用默认阈值。

名称，＆＃34; classProbabilities＆＃34;用词不当。这些不是实际概率，它们是预测值，尽管人们经常交替使用这些术语。二进制分类算法产生＆＃34;预测值＆＃34;当它们在0和1之间时看起来像是概率，但除非calibration process is performed，它们不会代表概率。校准不一定是直接的过程，并且有许多技术。这里有关于不平衡数据的校准方法的更多info。在H2O中，您可以使用calibrate_model选项使用Platt缩放执行校准。但这可能不是你想要做的事情所必需的。

使用二元分类模型的原始输出的正确方法是仅查看正类的预测值（您可以简单地忽略负类的预测值）。然后您选择一个适合您需求的阈值，或者您可以使用H2O中的默认阈值，这是为了最大化F1分数而选择的。其他一些软件将使用0.5的硬编码阈值，但如果你的训练数据中没有偶数个正面和负面的例子，这将是一个糟糕的选择。如果您的训练数据中只有少数正面例子，那么最佳阈值将远低于0.5。

EasyPredictModelWrapper提供错误的预测

1 个答案: