我目前正在使用H2O处理一个分类问题的数据集。我在一个Python 3.6环境中使用H2ORandomForestEstimator进行测试。我注意到predict方法的结果返回了介于0到1之间的值（我假设这是概率）。
在我的数据集中，目标属性是数值型，即True值为1，False值为0。我确保将目标属性的类型转换为分类，但结果仍然相同。
然后我修改了代码，使用asfactor()方法将H2OFrame中的目标列转换为因子，结果仍然没有变化。
但是，当我将目标属性中的值改为1和0分别对应True和False时，我得到了预期的结果（即输出是分类结果而不是概率）。
- 如何正确获得分类预测结果？
- 如果数值目标值的输出是概率，那么在多类分类的情况下如何处理？
回答：
从原则和理论上讲，硬分类和软分类（即分别返回类别和概率）是不同的方法，各有优缺点。例如，来自论文Hard or Soft Classification? Large-margin Unified Machines中的以下内容：
基于边缘的分类器在机器学习和统计学中的分类问题中都很流行。在众多分类器中，有些是硬分类器，有些是软分类器。软分类器明确估计类条件概率，然后基于估计的概率进行分类。相比之下，硬分类器直接针对分类决策边界进行处理，而不产生概率估计。这两种类型的分类器基于不同的哲学，各有其优点。
尽管如此，在实践中，今天使用的绝大多数分类器，包括随机森林（我能想到的唯一例外是SVM家族），实际上都是软分类器：它们实际产生的是类似概率的度量，之后结合一个隐式的阈值（在二元情况下通常默认为0.5），给出类似0/1或True/False的硬类别成员资格。
如何正确获得分类预测结果？
首先，从概率到硬类别总是可能的，但反过来则不成立。
一般来说，鉴于你的分类器实际上是一个软分类器，仅获得最终的硬分类结果（True/False）会使过程带有“黑盒”味道，这在原则上是不受欢迎的；直接处理生成的概率，并（重要的是！）明确控制决策阈值应该是这里更可取的方式。根据我的经验，这些细微之处往往被新手忽视；例如，来自Cross Validated讨论线程Reduce Classification probability threshold中的以下内容：
当你为新样本的每个类别输出一个概率时，你的练习的统计部分就结束了。选择一个阈值来将新观测值分类为1或0不再是统计的一部分。这是决策部分的内容。
除了上述“软”论点之外，还有一些情况你需要直接处理底层的概率和阈值，即在二元分类中默认阈值0.5会误导你的情况，最显著的是当你的类别不平衡时；请参见我在High AUC but bad predictions with imbalanced data中的回答（以及其中的链接）以了解此类情况的具体示例。
说实话，我对你报告的H2O的行为感到相当惊讶（我个人没有使用过），即输出的类型受到输入表示的影响；这不应该是这样的，如果确实如此，我们可能面临设计不佳的问题。例如，比较scikit-learn中的随机森林分类器，它包含两个不同的方法，predict和predict_proba，分别用于获取硬分类和底层概率（查看文档，很明显predict的输出是基于已经计算出的概率估计）。
如果数值目标值的输出是概率，那么在多类分类的情况下如何处理？
这里原则上没有新的内容，除了简单阈值不再有意义之外；同样，来自scikit-learn中随机森林predict文档的以下内容：
预测类别是平均概率估计最高的类别
也就是说，对于3个类别(0, 1, 2)，你得到[p0, p1, p2]的估计（元素总和为1，符合概率规则），预测类别是概率最高的类别，例如，对于[0.12, 0.60, 0.28]的情况，类别#1是预测类别。这里有一个可复现的示例，使用的是3类iris数据集（这是针对GBM算法的R语言示例，但原理是相同的）。
