在我的多类分类用例中，我的数据分布如下：
问这个可能太傻了（而且可能是严重错误），但是是否有规定将一个 o/p 类默认为一个安全的值，而不是预测一个完全错误的结果。
前任。假设这样一种情况，其中一封传入的电子邮件本来是发给“硬件”部门的，但预计是发给“公司领导”部门的，因此会发送给公司的所有高级成员。在这种情况下，由于整个输出类的预测准确度低于 20% 的准确度，我想将整个类默认为“服务台”组，并让他们手动对其进行排序。
希望我把我的问题说清楚了（也可能令人困惑！）。如果需要任何澄清，请告诉我。我很乐意修改措辞。
谢谢。:)
我认为没有标准的方法可以做到这一点。但是，如果您使用概率模型，则可以将预测概率与每个类别的阈值一起使用，以仅允许您认为足够确定的分类。然后，如果概率最高的类不满足阈值，您可以将其设置为默认类。
我用 sklearn 和 numpy 对其进行了测试，这可能是一种方法：
# Train probabilistic classifier
clf.fit(X_train, y_train)
# Get probabilities
probas = clf.predict_proba(X_test)
# Get the class with highest probability
highest_proba_class = np.argmax(probas, axis=1)
# Set different thresholds per class
thresholds = np.array([0.9, 0.2, 0.5])
# Init our prediction array
predictions = np.zeros_like(highest_proba_class)
# Set a default class to set if we don't reach threshold
default_class = 2
# Loop over predictions
for idx, highest_class in enumerate(highest_proba_class):
# Threshold check if threshold was met, otherwise set default
if probas[idx][highest_class] >= thresholds[highest_class]:
predictions[idx] = highest_class
else:
predictions[idx] = default_class