我使用的是通过h2o flow生成的DRF模型。在使用新输入数据运行此模型时（在Java程序中使用其MOJO和EasyPredictModelWrapper），出现了大量的UnknownCategoricalLevels（通过getUnknownCategoricalLevelsSeen()和getUnknownCategoricalLevelsSeenPerColumn() 方法检查）。
我的解决方法是只使用那些预测置信度超过某个阈值（例如0.90）的预测。即，模型选择的classProbability必须大于阈值才能被使用。
我的问题是：
- 这种解决方案是否错误（即实际上没有解决/绕过问题（例如，
unknownlevels实际上不影响类概率值）），还是它是一个有效的解决方案？ - 是否有更好的方法来解决这个问题？
谢谢。
回答：
未知分类级别被视为该列的NA值。
在不知道您的数据细节（包括假阳性和假阴性的成本影响）的情况下，我不会说您需要对含有NA值的行设置不同的阈值，就像对没有NA值的行一样。（DRF已经很好地处理了NA值。）
请注意，内置阈值是max-F1（不是0.5）。因此，如果您为具有未知值的行更改阈值，则是相对于max-F1（不是0.5）。使用您自己的阈值当然是一种有效的方法。
如果您想可视化您的树以更容易地查看NA值的行为，可以按照此处的说明进行操作：
还有其他处理这种情况的策略，比如对您的分类输入列进行目标编码，并将NA值视为平均目标值。（这实际上将分类变量转化为数值变量，但需要您预处理数据。）
