我目前正在将 H2O 用于分类问题数据集。我正在 python 3.6 环境中使用H2ORandomForestEstimator 对其进行测试。我注意到预测方法的结果给出了 0 到 1 之间的值（我假设这是概率）。
在我的数据集中，目标属性是数字，即True 值为 1，False 值为 0。我确保将目标属性的类型转换为类别，我仍然得到相同的结果。
然后我修改了代码以使用 H2OFrame 上的asfactor() 方法将目标列转换为因子，结果没有任何变化。
但是当我将目标属性中的值分别更改为 1 和 0 的 True 和 False 时，我得到了预期的结果（即输出是分类而不是概率。
【问题讨论】：
标签： python machine-learning classification random-forest h2o
原则上和理论上，硬分类和软分类（即分别返回类和概率）是不同的方法，每种方法都有其优点和缺点。考虑以下示例，来自论文Hard or Soft Classification? Large-margin Unified Machines：
基于边距的分类器在机器学习和分类问题的统计中都很流行。在众多的分类器中，有些是hard分类器，有些是soft分类器。软分类器显式地估计类条件概率，然后根据估计的概率进行分类。相反，硬分类器直接针对分类决策边界而不产生概率估计。这两种分类器基于不同的理念，各有千秋。
也就是说，实际上，今天使用的大多数分类器，包括随机森林（我能想到的唯一例外是 SVM 系列）实际上都是 软 分类器：它们实际上在下面产生是一种类似概率的度量，随后结合隐含的阈值（在二进制情况下通常默认为 0.5），给出了像0/1 或True/False 这样的硬类成员资格。
什么是得到分类预测结果的正确方法？
对于初学者来说，从概率到难课总是有可能的，但反之则不然。
一般来说，考虑到您的分类器实际上是一个软分类器，只获得最终的硬分类 (True/False) 会给该过程带来“黑匣子”的味道，它原则上应该是不可取的；直接处理产生的概率，并且（重要！）明确控制决策阈值应该是这里的首选方式。根据我的经验，这些是新从业者经常忽略的微妙之处；考虑以下示例，来自交叉验证线程Reduce Classification probability threshold：
当您为新样本的每个类别输出一个概率时，您的练习的统计部分就结束了。选择一个阈值，将新观察分类为 1 与 0 的阈值不再是 统计数据 的一部分。它是 decision 组件的一部分。
除了像上面这样的“软”参数（无意的双关语）之外，在某些情况下，您需要直接处理基础概率和阈值，即二进制分类中默认阈值 0.5 的情况会让你误入歧途，尤其是当你的课程不平衡时；有关这种情况的具体示例，请参阅我在 High AUC but bad predictions with imbalanced data 中的回答（以及其中的链接）。
说实话，我对你报告的 H2O 的行为感到相当惊讶（我个人没有使用过），即输出的类型受输入表示的影响；情况不应该如此，如果确实如此，我们可能会遇到设计不良的问题。例如比较 scikit-learn 中的随机森林分类器，它包括两种不同的方法，predict 和 predict_proba，分别获得硬分类和底层概率（并检查文档，很明显 @ 的输出987654333@ 基于概率估计，之前已经计算过）。
如果概率是数值目标值的结果，那么在多类分类的情况下我该如何处理？
这里原则上没有什么新东西，除了一个简单的阈值不再有意义。再次，来自随机森林predict scikit-learn 中的文档：
预测的类别是具有最高平均概率估计的类别
也就是说，对于(0, 1, 2) 的 3 个类别，您会得到 [p0, p1, p2] 的估计值（根据概率规则，元素总和为 1），预测的类别是概率最高的类别，例如对于[0.12, 0.60, 0.28] 的情况，第 1 类。这是带有 3 类虹膜数据集的reproducible example（用于 GBM 算法和 R，但原理相同）。
【讨论】：
添加到@desertnaut 的答案，并且由于您将此问题标记为 Python，因此这是您处理问题最后一部分的方式：
如果概率是数值目标值的结果，那么在多类分类的情况下我该如何处理？
y_pred = np.argmax(prob, axis=1)
这会将概率值的(num_examples, n_classes) 数组转换为预测类别的(num_examples, ) 数组。
【讨论】：