如何将multinomial logistics预测概率转换为连续变量期望值？

可行性结论 #

可以转换，你提到的二项分布np期望计算逻辑完全可以复用在该场景下，本质都是计算随机变量在对应概率分布下的加权期望。

具体计算公式（以你的0-2得分场景为例） #

第一步：确定每个分类的代表值 #

你将原始0-2的得分划分为3个区间，需要先为每个区间确定对应代表值，有两种常用方案：

• 区间中点法：直接取每个区间的中位数作为代表值，对应你的区间划分结果为：
  • 0-0.6区间：代表值0.3
  • 0.6-1区间：代表值0.8

  • 1区间（1-2）：代表值1.5

• 类别均值法：用训练集中每个类别下所有样本的原始得分平均值作为代表值，该方案更贴合你的真实数据分布，准确性更高。

第二步：加权求和计算连续估计值 #

假设多分类逻辑回归输出的3个类别对应预测概率分别为p₁（0-0.6区间概率）、p₂（0.6-1区间概率）、p₃（>1区间概率），最终的原始得分估计值为：

estimated_score = p₁ * v₁ + p₂ * v₂ + p₃ * v₃

其中v₁/v₂/v₃分别为三个类别的代表值。

注意事项 #

• 转换后的估计值精度和分类粒度正相关，划分的类别越多，估计值越接近原始真实得分
• 如果原始连续变量在某个区间内分布明显不均，优先选择类别均值法确定代表值，避免区间中点法带来的系统性偏差

内容的提问来源于stack exchange，提问作者Nawal Kashyap