Machine learning 将多类模型的类概率转换为0-100范围内的分数

我想做的是根据一个三类分类模型的预测生成一个0-100分的分数。 例如，一个三类逻辑回归模型的预测概率给出了3个概率x，y，z，如下所示-

0112

x y z

现在，我想根据这些概率生成一个0-100的分数，其中0更接近0类，100更接近2类。

试试这个：

prob['P']=(prob['1']*1+prob['2']*2)/2

prob['0']乘以0，因此您不需要它

示例：

prob['0']=0.5，prob['1']=0.5，prob['2']=0=>prob['p']=0.25

概率['0']=0.75，概率['1']=0.25，概率['2']=0==>prob['p']=0.125

概率['0']=0.1，概率['1']=0.2，概率['2']=0.7==>prob['p']=0.8

---

prob['0']=0，prob['1']=0，prob['2']=1=>prob['p']=1

Hey Roee，这种方法很好用。但是，如果你能从数学上证明这一点，那就太好了。此外，在某些情况下它也失败了。对于eg，当我们的概率分别为0.34，0.33，0.33，0，1和2时。我希望这个分数在0,35分之间，但这个分数在49分左右。把它看作是加权算术平均值——权重就是等级大小。如果你有相等的概率，你会得到0.5分的分数，这是有意义的，因为你在0和100之间的中间——没有一个等级足够强大。谢谢你的回应。加权算术平均值听起来很好，但是为什么我们要保持分母为2呢。一定是3点。不是吗？因为概率之和总是1，这是一种特殊情况-通常，你除以权重之和，在这种情况下，你除以1。除以2表示标准化。当你将a-100%的概率乘以2的值时，将获得最大值-这意味着你必须将其除以2，因为这是最大分数。你好！！就连我也有类似的问题。。你找到解决办法了吗？找到了。我已经找到了一个解决办法。现在，我把我的0-100分分成3个等级，即0-32、33-66、67-100。现在，如果1级的概率是最高的，那么分数将在33-66之间。现在，它将接近33或66，这取决于其他两类的概率。