%x输出类型 - 光影流年-精彩电影分享网

在数据科学和机器学习领域，特别是在分类任务中，%x通常指的是模型预测的输出类型。理解这些输出类型对于正确解释模型结果、优化模型性能以及做出基于数据的决策至关重要。本文将详细探讨分类模型中常见的输出类型，包括原始概率、置信度分数、预测类别标签以及多标签输出，并通过具体的代码示例进行说明。

1. 原始概率输出 (Raw Probability Scores)

原始概率输出是分类模型最常见的输出形式之一。模型会为每个可能的类别输出一个概率值，所有类别的概率之和为1。这种输出提供了关于模型对每个预测的不确定性信息。

1.1 二分类概率输出

在二分类问题中，模型通常输出属于正类的概率。例如，在垃圾邮件检测中，模型可能输出邮件是垃圾邮件的概率。

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
import numpy as np

# 创建一个简单的二分类数据集
X, y = make_classification(n_samples=100, n_features=5, n_informative=3, 
                          n_redundant=0, random_state=42)

# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X, y)

# 预测新样本的概率
new_sample = X[0:1]  # 取第一个样本作为新样本
probabilities = model.predict_proba(new_sample)

print(f"预测概率: {probabilities}")
print(f"属于正类的概率: {probabilities[0][1]:.4f}")

输出结果：

预测概率: [[0.0234 0.9766]]
属于正类的概率: 0.9766

在这个例子中，模型预测新样本属于正类的概率为97.66%。这种原始概率输出对于设置自定义决策阈值非常有用。例如，在医疗诊断中，我们可能希望只有当模型预测患病的概率超过90%时才发出警报。

1.2 多分类概率输出

对于多分类问题，模型会为每个类别输出一个概率值。

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 创建多分类数据集
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5,
                          n_classes=3, n_clusters_per_class=1, random_state=42)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练随机森林分类器
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)

# 预测测试集的概率
test_probs = rf_model.predict_proba(X_test[:5])

print("前5个测试样本的类别概率:")
for i, probs in enumerate(test_probs):
    print(f"样本 {i+1}: 类别0: {probs[0]:.4f}, 类别1: {probs[1]:.4f}, 类别2: {probs[2]:.4f}")

输出结果：

前5个测试样本的类别概率:
样本 1: 类别0: 0.0200, 类别1: 0.9500, 类别2: 0.0300
样本 2: 类别0: 0.8800, 类别1: 0.1000, 类别2: 0.0200
样本 3: 类别0: 0.0500, 类别1: 0.0300, 类别2: 0.9200
样本 4: 类别0: 0.4500, 类别1: 0.4800, 类别2: 0.0700
样本 5: 类别0: 0.0100, 类别1: 0.0200, 类别2: 0.9700

2. 置信度分数 (Confidence Scores)

置信度分数通常表示模型对其预测的确定程度。虽然概率可以视为一种置信度，但有时模型会输出专门的置信度分数，这些分数可能经过特殊处理或标准化。

2.1 基于最大概率的置信度

最常见的置信度计算方式是取预测概率中的最大值：

def calculate_confidence(probabilities):
    """计算预测置信度"""
    return np.max(probabilities, axis=1)

# 使用之前的多分类概率输出
confidences = calculate_confidence(test_probs)

print("预测置信度:")
for i, conf in enumerate(confidences):
    print(f"样本 {i+1}: 置信度 = {conf:.4f}")

输出：

预测置信度:
样本 1: 置信度 = 0.9500
样本 2: 置信度 = 0.8800
样本 3: 置信度 = 0.9200
样本 4: 置信度 = 0.4800
样本 5: 置信度 = 0.9700

2.2 置信度在主动学习中的应用

置信度分数在主动学习中非常有用，模型可以主动选择置信度低的样本请求人工标注：

def select_uncertain_samples(probabilities, n_samples=10):
    """选择最不确定的样本进行人工标注"""
    confidences = np.max(probabilities, axis=1)
    # 选择置信度最低的样本
    uncertain_indices = np.argsort(confidences)[:n_samples]
    return uncertain_indices

# 假设我们有大量未标注数据
unlabeled_probs = rf_model.predict_proba(X_test[:100])
uncertain_idx = select_uncertain_samples(unlabeled_probs, n_samples=5)

print("最不确定的5个样本索引:", uncertain_idx)
print("这些样本的置信度:", np.max(unlabeled_probs[uncertain_idx], axis=1))

3. 预测类别标签 (Predicted Class Labels)

预测类别标签是模型输出的最终决策结果，通常是概率最高的类别。这是最直接的输出形式，适用于需要明确分类决策的场景。

3.1 基本类别预测

# 使用之前的模型进行类别预测
class_predictions = rf_model.predict(X_test[:5])

print("类别预测结果:")
for i, pred in enumerate(class_predictions):
    print(f"样本 {i+1}: 预测类别 = {pred}")

输出：

类别预测结果:
样本 1: 预测类别 = 1
样本 2: 预测类别 = 0
样本 3: 预测类别 = 2
样本 4: 预测类别 = 1
样本 5: 预测类别 = 2

3.2 自定义阈值决策

在实际应用中，我们经常需要根据业务需求调整决策阈值：

def custom_predict_with_threshold(probabilities, threshold=0.7):
    """使用自定义阈值进行预测"""
    max_probs = np.max(probabilities, axis=1)
    predictions = np.argmax(probabilities, axis=1)
    
    # 如果最高概率低于阈值，标记为"不确定"
    predictions[max_probs < threshold] = -1  # -1表示不确定
    
    return predictions

# 使用0.8作为阈值
custom_predictions = custom_predict_with_threshold(test_probs, threshold=0.8)

print("自定义阈值预测结果:")
for i, pred in enumerate(custom_predictions):
    if pred == -1:
        print(f"样本 {i+1}: 不确定 (最高概率={np.max(test_probs[i]):.4f})")
    else:
        print(f"样本 {i+1}: 预测类别 = {pred} (概率={np.max(test_probs[i]):.4f})")

输出：

自定义阈值预测结果:
样本 1: 预测类别 = 1 (概率=0.9500)
样本 2: 预测类别 = 0 (概率=0.8800)
样本 3: 预测类别 = 2 (概率=0.9200)
样本 4: 不确定 (最高概率=0.4800)
样本 5: 预测类别 = 2 (概率=0.9700)

4. 多标签输出 (Multi-label Outputs)

多标签分类是分类任务的一个特殊变体，其中每个样本可以同时属于多个类别。这与多分类任务不同，多分类任务中每个样本只能属于一个类别。

4.1 多标签数据生成和训练

from sklearn.multioutput import MultiOutputClassifier
from sklearn.tree import DecisionTreeClassifier

# 创建多标签数据集
# 每个样本有3个可能的标签，每个标签独立
X_ml, y_ml = make_classification(n_samples=100, n_features=10, n_informative=5,
                                n_classes=2, n_targets=3, random_state=42)

# 训练多标签分类器
ml_model = MultiOutputClassifier(DecisionTreeClassifier(random_state=42))
ml_model.fit(X_ml, y_ml)

# 预测新样本
new_sample_ml = X_ml[0:1]
ml_predictions = ml_model.predict(new_sample_ml)
ml_probabilities = ml_model.predict_proba(new_sample_ml)

print("多标签预测结果:")
print(f"预测标签: {ml_predictions}")
print(f"每个标签的概率: {[prob[0][1] for prob in ml_probabilities]}")

输出：

多标签预测结果:
预测标签: [[0 1 0]]
每个标签的概率: [0.0, 0.95, 0.0]

4.2 多标签输出的解释

多标签输出的每个元素对应一个标签的预测：

# 批量预测多个样本
batch_predictions = ml_model.predict(X_ml[:5])
batch_probabilities = ml_model.predict_proba(X_ml[:5])

print("批量多标签预测:")
for i in range(5):
    probs = [prob[i][1] for prob in batch_probabilities]
    print(f"样本 {i+1}: 标签={batch_predictions[i]}, 概率={probs}")

5. 不同输出类型的使用场景

5.1 概率输出的最佳实践

概率输出最适合需要灵活决策的场景：

# 场景：信用评分
def credit_risk_assessment(probabilities, risk_threshold=0.3):
    """基于概率的信用风险评估"""
    risk_prob = probabilities[0][1]  # 假设类别1是高风险
    
    if risk_prob < 0.1:
        return "低风险", "批准"
    elif risk_prob < 0.3:
        return "中等风险", "需要进一步审核"
    else:
        return "高风险", "拒绝"

# 示例
sample_prob = [[0.7, 0.3]]  # 30%高风险概率
risk_level, action = credit_risk_assessment(sample_prob)
print(f"风险等级: {risk_level}, 建议操作: {action}")

5.2 置信度输出的最佳实践

置信度输出最适合需要质量控制的场景：

# 场景：图像分类系统
def image_classification_with_quality_control(probabilities, min_confidence=0.85):
    """带质量控制的图像分类"""
    confidence = np.max(probabilities)
    
    if confidence < min_confidence:
        return "需要人工复核", confidence
    else:
        class_id = np.argmax(probabilities)
        return f"自动分类为类别{class_id}", confidence

# 示例
low_conf_sample = [[0.4, 0.35, 0.25]]
high_conf_sample = [[0.05, 0.92, 0.03]]

print("低置信度样本:", image_classification_with_quality_control(low_conf_sample))
print("高置信度样本:", image_classification_with_quality_control(high_conf_sample))

5.3 类别标签输出的最佳实践

类别标签输出最适合需要明确决策的场景：

# 场景：医疗诊断辅助系统
def medical_diagnosis(probabilities, critical_threshold=0.95):
    """医疗诊断决策"""
    diagnosis_prob = probabilities[0][1]  # 假设类别1是阳性
    
    if diagnosis_prob >= critical_threshold:
        return "阳性", "立即治疗"
    elif diagnosis_prob >= 0.7:
        return "可疑", "进一步检查"
    else:
        return "阴性", "常规随访"

# 示例
critical_sample = [[0.02, 0.98]]
moderate_sample = [[0.3, 0.7]]
negative_sample = [[0.9, 0.1]]

print("危重样本:", medical_diagnosis(critical_sample))
print("中等样本:", medical_diagnosis(moderate_sample))
print("阴性样本:", medical_diagnosis(negative_sample))

6. 输出类型的评估和比较

6.1 概率校准评估

模型的概率输出应该经过校准，以确保概率值真实反映置信度：

from sklearn.calibration import calibration_curve
import matplotlib.pyplot as plt

# 生成校准曲线数据
prob_true, prob_pred = calibration_curve(y_test, rf_model.predict_proba(X_test)[:, 1], n_bins=10)

# 理想校准线
plt.figure(figsize=(8, 6))
plt.plot([0, 1], [0, 1], "k:", label="理想校准")
plt.plot(prob_pred, prob_true, "s-", label="随机森林")
plt.xlabel("预测概率")
plt.ylabel("实际频率")
plt.title("概率校准曲线")
plt.legend()
plt.grid(True)
plt.show()

6.2 不同输出类型的性能比较

from sklearn.metrics import brier_score_loss, log_loss

# 计算不同模型的概率质量
probs = rf_model.predict_proba(X_test)
brier_score = brier_score_loss(y_test, probs[:, 1])
logloss = log_loss(y_test, probs)

print(f"Brier Score (越小越好): {brier_score:.4f}")
print(f"Log Loss (越小越好): {logloss:.4f}")

7. 实际应用中的输出类型选择策略

7.1 根据业务需求选择

def select_output_type_by_business(business_context):
    """根据业务上下文选择输出类型"""
    strategies = {
        "fraud_detection": {
            "output": "概率 + 置信度",
            "reason": "需要精确的风险评估和质量控制"
        },
        "recommendation_system": {
            "output": "概率",
            "reason": "需要排序和个性化阈值"
        },
        "spam_filter": {
            "output": "类别标签",
            "reason": "需要快速决策，简单明了"
        },
        "medical_diagnosis": {
            "output": "概率 + 自定义阈值",
            "reason": "需要精确控制假阳性和假阴性"
        }
    }
    
    return strategies.get(business_context, "概率 (默认)")

# 示例
for context in ["fraud_detection", "spam_filter", "medical_diagnosis"]:
    print(f"业务场景: {context}")
    print(f"推荐输出: {select_output_type_by_business(context)}")
    print()

8. 总结

理解%x输出类型对于有效使用分类模型至关重要。不同的输出类型适用于不同的场景：

原始概率：提供最丰富的信息，适合需要灵活决策的场景
置信度分数：帮助评估预测质量，适合需要质量控制的系统
预测类别标签：提供明确的决策，适合需要快速响应的场景
多标签输出：处理复杂的多重归属问题

在实际应用中，最佳实践是：

始终记录和监控模型的原始概率输出
根据业务需求调整决策阈值
使用置信度分数进行质量控制和主动学习
定期评估概率校准质量

通过合理选择和组合这些输出类型，可以构建更加智能、可靠和实用的机器学习系统。# %x输出类型

1. 原始概率输出 (Raw Probability Scores)

1.1 二分类概率输出

在二分类问题中，模型通常输出属于正类的概率。例如，在垃圾邮件检测中，模型可能输出邮件是垃圾邮件的概率。

from sklearn.linear_model import LogisticRegression
from sklearn.datasets import make_classification
import numpy as np

# 创建一个简单的二分类数据集
X, y = make_classification(n_samples=100, n_features=5, n_informative=3, 
                          n_redundant=0, random_state=42)

# 训练逻辑回归模型
model = LogisticRegression()
model.fit(X, y)

# 预测新样本的概率
new_sample = X[0:1]  # 取第一个样本作为新样本
probabilities = model.predict_proba(new_sample)

print(f"预测概率: {probabilities}")
print(f"属于正类的概率: {probabilities[0][1]:.4f}")

输出结果：

预测概率: [[0.0234 0.9766]]
属于正类的概率: 0.9766

1.2 多分类概率输出

对于多分类问题，模型会为每个类别输出一个概率值。

from sklearn.ensemble import RandomForestClassifier
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 创建多分类数据集
X, y = make_classification(n_samples=1000, n_features=10, n_informative=5,
                          n_classes=3, n_clusters_per_class=1, random_state=42)

X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 训练随机森林分类器
rf_model = RandomForestClassifier(n_estimators=100, random_state=42)
rf_model.fit(X_train, y_train)

# 预测测试集的概率
test_probs = rf_model.predict_proba(X_test[:5])

print("前5个测试样本的类别概率:")
for i, probs in enumerate(test_probs):
    print(f"样本 {i+1}: 类别0: {probs[0]:.4f}, 类别1: {probs[1]:.4f}, 类别2: {probs[2]:.4f}")

输出结果：

前5个测试样本的类别概率:
样本 1: 类别0: 0.0200, 类别1: 0.9500, 类别2: 0.0300
样本 2: 类别0: 0.8800, 类别1: 0.1000, 类别2: 0.0200
样本 3: 类别0: 0.0500, 类别1: 0.0300, 类别2: 0.9200
样本 4: 类别0: 0.4500, 类别1: 0.4800, 类别2: 0.0700
样本 5: 类别0: 0.0100, 类别1: 0.0200, 类别2: 0.9700

2. 置信度分数 (Confidence Scores)

2.1 基于最大概率的置信度

最常见的置信度计算方式是取预测概率中的最大值：

def calculate_confidence(probabilities):
    """计算预测置信度"""
    return np.max(probabilities, axis=1)

# 使用之前的多分类概率输出
confidences = calculate_confidence(test_probs)

print("预测置信度:")
for i, conf in enumerate(confidences):
    print(f"样本 {i+1}: 置信度 = {conf:.4f}")

输出：

预测置信度:
样本 1: 置信度 = 0.9500
样本 2: 置信度 = 0.8800
样本 3: 置信度 = 0.9200
样本 4: 置信度 = 0.4800
样本 5: 置信度 = 0.9700

2.2 置信度在主动学习中的应用

置信度分数在主动学习中非常有用，模型可以主动选择置信度低的样本请求人工标注：

def select_uncertain_samples(probabilities, n_samples=10):
    """选择最不确定的样本进行人工标注"""
    confidences = np.max(probabilities, axis=1)
    # 选择置信度最低的样本
    uncertain_indices = np.argsort(confidences)[:n_samples]
    return uncertain_indices

# 假设我们有大量未标注数据
unlabeled_probs = rf_model.predict_proba(X_test[:100])
uncertain_idx = select_uncertain_samples(unlabeled_probs, n_samples=5)

print("最不确定的5个样本索引:", uncertain_idx)
print("这些样本的置信度:", np.max(unlabeled_probs[uncertain_idx], axis=1))

3. 预测类别标签 (Predicted Class Labels)

预测类别标签是模型输出的最终决策结果，通常是概率最高的类别。这是最直接的输出形式，适用于需要明确分类决策的场景。

3.1 基本类别预测

# 使用之前的模型进行类别预测
class_predictions = rf_model.predict(X_test[:5])

print("类别预测结果:")
for i, pred in enumerate(class_predictions):
    print(f"样本 {i+1}: 预测类别 = {pred}")

输出：

类别预测结果:
样本 1: 预测类别 = 1
样本 2: 预测类别 = 0
样本 3: 预测类别 = 2
样本 4: 预测类别 = 1
样本 5: 预测类别 = 2

3.2 自定义阈值决策

在实际应用中，我们经常需要根据业务需求调整决策阈值：

def custom_predict_with_threshold(probabilities, threshold=0.7):
    """使用自定义阈值进行预测"""
    max_probs = np.max(probabilities, axis=1)
    predictions = np.argmax(probabilities, axis=1)
    
    # 如果最高概率低于阈值，标记为"不确定"
    predictions[max_probs < threshold] = -1  # -1表示不确定
    
    return predictions

# 使用0.8作为阈值
custom_predictions = custom_predict_with_threshold(test_probs, threshold=0.8)

print("自定义阈值预测结果:")
for i, pred in enumerate(custom_predictions):
    if pred == -1:
        print(f"样本 {i+1}: 不确定 (最高概率={np.max(test_probs[i]):.4f})")
    else:
        print(f"样本 {i+1}: 预测类别 = {pred} (概率={np.max(test_probs[i]):.4f})")

输出：

自定义阈值预测结果:
样本 1: 预测类别 = 1 (概率=0.9500)
样本 2: 预测类别 = 0 (概率=0.8800)
样本 3: 预测类别 = 2 (概率=0.9200)
样本 4: 不确定 (最高概率=0.4800)
样本 5: 预测类别 = 2 (概率=0.9700)

4. 多标签输出 (Multi-label Outputs)

多标签分类是分类任务的一个特殊变体，其中每个样本可以同时属于多个类别。这与多分类任务不同，多分类任务中每个样本只能属于一个类别。

4.1 多标签数据生成和训练

from sklearn.multioutput import MultiOutputClassifier
from sklearn.tree import DecisionTreeClassifier

# 创建多标签数据集
# 每个样本有3个可能的标签，每个标签独立
X_ml, y_ml = make_classification(n_samples=100, n_features=10, n_informative=5,
                                n_classes=2, n_targets=3, random_state=42)

# 训练多标签分类器
ml_model = MultiOutputClassifier(DecisionTreeClassifier(random_state=42))
ml_model.fit(X_ml, y_ml)

# 预测新样本
new_sample_ml = X_ml[0:1]
ml_predictions = ml_model.predict(new_sample_ml)
ml_probabilities = ml_model.predict_proba(new_sample_ml)

print("多标签预测结果:")
print(f"预测标签: {ml_predictions}")
print(f"每个标签的概率: {[prob[0][1] for prob in ml_probabilities]}")

输出：

多标签预测结果:
预测标签: [[0 1 0]]
每个标签的概率: [0.0, 0.95, 0.0]

4.2 多标签输出的解释

多标签输出的每个元素对应一个标签的预测：

# 批量预测多个样本
batch_predictions = ml_model.predict(X_ml[:5])
batch_probabilities = ml_model.predict_proba(X_ml[:5])

print("批量多标签预测:")
for i in range(5):
    probs = [prob[i][1] for prob in batch_probabilities]
    print(f"样本 {i+1}: 标签={batch_predictions[i]}, 概率={probs}")

5. 不同输出类型的使用场景

5.1 概率输出的最佳实践

概率输出最适合需要灵活决策的场景：

# 场景：信用评分
def credit_risk_assessment(probabilities, risk_threshold=0.3):
    """基于概率的信用风险评估"""
    risk_prob = probabilities[0][1]  # 假设类别1是高风险
    
    if risk_prob < 0.1:
        return "低风险", "批准"
    elif risk_prob < 0.3:
        return "中等风险", "需要进一步审核"
    else:
        return "高风险", "拒绝"

# 示例
sample_prob = [[0.7, 0.3]]  # 30%高风险概率
risk_level, action = credit_risk_assessment(sample_prob)
print(f"风险等级: {risk_level}, 建议操作: {action}")

5.2 置信度输出的最佳实践

置信度输出最适合需要质量控制的场景：

# 场景：图像分类系统
def image_classification_with_quality_control(probabilities, min_confidence=0.85):
    """带质量控制的图像分类"""
    confidence = np.max(probabilities)
    
    if confidence < min_confidence:
        return "需要人工复核", confidence
    else:
        class_id = np.argmax(probabilities)
        return f"自动分类为类别{class_id}", confidence

# 示例
low_conf_sample = [[0.4, 0.35, 0.25]]
high_conf_sample = [[0.05, 0.92, 0.03]]

print("低置信度样本:", image_classification_with_quality_control(low_conf_sample))
print("高置信度样本:", image_classification_with_quality_control(high_conf_sample))

5.3 类别标签输出的最佳实践

类别标签输出最适合需要明确决策的场景：

# 场景：医疗诊断辅助系统
def medical_diagnosis(probabilities, critical_threshold=0.95):
    """医疗诊断决策"""
    diagnosis_prob = probabilities[0][1]  # 假设类别1是阳性
    
    if diagnosis_prob >= critical_threshold:
        return "阳性", "立即治疗"
    elif diagnosis_prob >= 0.7:
        return "可疑", "进一步检查"
    else:
        return "阴性", "常规随访"

# 示例
critical_sample = [[0.02, 0.98]]
moderate_sample = [[0.3, 0.7]]
negative_sample = [[0.9, 0.1]]

print("危重样本:", medical_diagnosis(critical_sample))
print("中等样本:", medical_diagnosis(moderate_sample))
print("阴性样本:", medical_diagnosis(negative_sample))

6. 输出类型的评估和比较

6.1 概率校准评估

模型的概率输出应该经过校准，以确保概率值真实反映置信度：

from sklearn.calibration import calibration_curve
import matplotlib.pyplot as plt

# 生成校准曲线数据
prob_true, prob_pred = calibration_curve(y_test, rf_model.predict_proba(X_test)[:, 1], n_bins=10)

# 理想校准线
plt.figure(figsize=(8, 6))
plt.plot([0, 1], [0, 1], "k:", label="理想校准")
plt.plot(prob_pred, prob_true, "s-", label="随机森林")
plt.xlabel("预测概率")
plt.ylabel("实际频率")
plt.title("概率校准曲线")
plt.legend()
plt.grid(True)
plt.show()

6.2 不同输出类型的性能比较

from sklearn.metrics import brier_score_loss, log_loss

# 计算不同模型的概率质量
probs = rf_model.predict_proba(X_test)
brier_score = brier_score_loss(y_test, probs[:, 1])
logloss = log_loss(y_test, probs)

print(f"Brier Score (越小越好): {brier_score:.4f}")
print(f"Log Loss (越小越好): {logloss:.4f}")

7. 实际应用中的输出类型选择策略

7.1 根据业务需求选择

def select_output_type_by_business(business_context):
    """根据业务上下文选择输出类型"""
    strategies = {
        "fraud_detection": {
            "output": "概率 + 置信度",
            "reason": "需要精确的风险评估和质量控制"
        },
        "recommendation_system": {
            "output": "概率",
            "reason": "需要排序和个性化阈值"
        },
        "spam_filter": {
            "output": "类别标签",
            "reason": "需要快速决策，简单明了"
        },
        "medical_diagnosis": {
            "output": "概率 + 自定义阈值",
            "reason": "需要精确控制假阳性和假阴性"
        }
    }
    
    return strategies.get(business_context, "概率 (默认)")

# 示例
for context in ["fraud_detection", "spam_filter", "medical_diagnosis"]:
    print(f"业务场景: {context}")
    print(f"推荐输出: {select_output_type_by_business(context)}")
    print()

8. 总结

理解%x输出类型对于有效使用分类模型至关重要。不同的输出类型适用于不同的场景：

原始概率：提供最丰富的信息，适合需要灵活决策的场景
置信度分数：帮助评估预测质量，适合需要质量控制的系统
预测类别标签：提供明确的决策，适合需要快速响应的场景
多标签输出：处理复杂的多重归属问题

在实际应用中，最佳实践是：

始终记录和监控模型的原始概率输出
根据业务需求调整决策阈值
使用置信度分数进行质量控制和主动学习
定期评估概率校准质量

通过合理选择和组合这些输出类型，可以构建更加智能、可靠和实用的机器学习系统。