Neural network 如何在多类分类任务中标定神经网络输出层的阈值？

假设我们有一个包含3个类别的多类别分类任务：

{芝士蛋糕、冰淇淋、苹果派}

假设我们有一个经过训练的神经网络，可以对随机厨师喜欢的三种甜点中的哪一种进行分类。此外，假设输出层由3个具有softmax激活的神经元组成，每个神经元表示喜欢相应甜点的概率

例如，此类网络的可能输出可能是：

产量（chef_1）={p（芝士蛋糕）=0.3；p（冰淇淋）=0.1；p（苹果派）=0.6；}

产量（chef_2）={p（芝士蛋糕）=0.2；p（冰淇淋）=0.1；p（苹果派）=0.7；}

产量（chef_3）={p（芝士蛋糕）=0.1；p（冰淇淋）=0.1；p（苹果派）=0.8；}

在这种情况下，所有实例（chef_1、chef_2和chef_3）可能更喜欢苹果派，但信心不同（例如，chef_3更喜欢苹果派而不是chef_1，因为网络概率输出分别为0.8和0.6）

考虑到我们有一个由1000名厨师组成的新的数据集，并且我们想要计算他们最喜欢的甜点的分布，我们只需对1000名厨师中的每一位进行分类，并根据神经元以最大概率确定他最喜欢的甜点

我们还希望通过丢弃最大预测概率低于0.6的厨师来提高预测精度。让我们假设1000人中有200人是以这样的概率预测的，我们放弃了他们。

在这种情况下，如果一种甜点比另一种更容易预测，我们可能会对800名厨师（他们的预测概率高于0.6）的分布产生偏差。

例如，如果类别的平均预测概率为：

平均值（芝士蛋糕）=0.9

平均p（冰淇淋）=0.5

平均值（苹果派）=0.8

我们丢弃被预测概率低于0.6的厨师，在被丢弃的200名厨师中，可能有更多的厨师更喜欢冰淇淋，这将导致在其他800名厨师中出现偏差分布。

在这篇很长的介绍之后（我很高兴你还在读），我的问题是：

我们是否需要为每个类设置不同的阈值？（例如，在奶酪蛋糕预测中丢弃概率低于X的实例，在冰淇淋预测中丢弃概率低于Y的实例，在苹果派预测中丢弃概率低于Z的实例）

如果是，如何校准阈值而不影响我的1000 chefs数据集的总体分布（即放弃低概率预测以提高准确性，同时保留原始数据集的分布）

我曾尝试使用每个类的平均预测概率作为阈值，但我不能保证它不会影响分布（因为这些阈值可能过度适合测试集，而不是1000 chefs数据集）

---

有什么建议或相关论文吗？

我也有类似的多标签问题。我已经将每个班级的F1成绩绘制到阈值，以查看每个班级的最高F1成绩在哪里。每门课都不一样。对于一些人来说，在>0.8的阈值下，准确率与召回率的比较更高，而对于一些人来说，i甚至低至0.4。我选择了不同的阈值来调用类a类。 但是我想如果你不想让一个类偏向于高精度或高召回率，你可以根据一个测试集选择不同的阈值（你可以优化测试集集合）