Wie kann die Wahrscheinlichkeitsschwelle eines Klassifikators bei mehreren Klassen angepasst werden? [Duplikat]

Das Obige ist ein sehr einfaches Beispiel für die Ausgabe eines Wahrscheinlichkeitsklassifizierers für einen Binärklassenfall, entweder 0 oder 1, basierend auf einigen Wahrscheinlichkeiten.
Darüber hinaus ist es einfach, wie Sie den Schwellenwert ändern können. Sie setzen den Schwellenwert entweder höher oder niedriger als 50%, um das Gleichgewicht zwischen Präzision und Rückruf zu ändern und so für Ihre eigene Situation zu optimieren.

Wenn wir jedoch versuchen, für ein Szenario mit mehreren Klassen dasselbe Denken zu haben, sogar nur drei Klassen, wie in der folgenden Abbildung gezeigt (stellen Sie sich vor, dass dies Wahrscheinlichkeiten sind).

Wie fangen Sie an zu überlegen, wie Sie die Schwelle verschieben können?
Standardmäßig wird die Klasse mit der größten Wahrscheinlichkeit genommen (hier ist Klasse 3).
Was können Sie tun, wenn Sie dieses Gleichgewicht herstellen möchten (um die Präzision / den Rückruf zu beeinflussen)?
Eine Idee könnte sein, die ersten dominanten Klassen zu nehmen, um sie wieder zu normalisieren und eine Schwelle zwischen diesen beiden zu setzen, aber das klingt nicht nach einer eleganten Lösung.
Gibt es eine solide Methodik?

Sie können eine vorherige Verteilung über die Klassen verwenden.

$v$$\pi$$v \circ \pi$$\circ$$c$$v_c\pi_c$

Wenn Sie eine ordnungsgemäße Verteilung wünschen, müssen Sie nur renormieren.

$\pi=(0.4, 0.3, 0.3)$

$v$$f(x)$

$(\frac{v_1}{1-\theta}, \frac{v_2}{\theta})$$\pi=(\frac{1}{1-\theta}, \frac{1}{\theta})$

$\pi$

Um diese Art von vorherigen Annahmen prinzipieller in Ihr Modell aufzunehmen, sollten Sie sich die Bayes'sche Inferenz ansehen.