正如@Emre 在评论中指出的那样，您将需要使用softmax 函数。在获得每部电影的一组分数后，该函数会将分数压缩到 [0,1] 范围内，并且分数将加起来为 1。

---

这是一个可能的过程：

1. 为每个图像生成一个特征集
2. 在您的特征集上训练模型以输出电影的分数。分数是任意域中的数字。
3. 对所有候选电影重复步骤 2 以创建得分向量。
4. 将分数向量输入到 softmax 函数中，以将分数压缩到域 [0,1] 中并使它们相加为 1

作为参考，定义了 softmax 函数：

$\sigma(z_i) = \frac{e^{z_i}}{\displaystyle\sum^N_{n=1}e^{z_n}}$

---

还有一个例子：

我们的功能集将包括以下内容：评论家/观众评分、收入、成本、售出总票数等。

假设您拥有 Oscars 的历史数据，其中包括我们将用于基本事实指标的特征集和分数。你定义分数。例如，如果一部电影甚至没有获得奥斯卡奖提名，它的得分可能为零，而一部获得奥斯卡奖的电影可能得分为 1。一部获得提名但没有获得很多选票的电影可能得分0.50。

您根据历史数据训练模型，这样，给定电影的特征集，它将输出一个分数，类似于您的训练集。

现在您正在考虑预测三部电影：复仇者联盟无限战争、死侍 2 和毒液。

您获得了他们的功能集（您用于培训的相同类别：评论家/观众评分、收入等）

然后通过模型传递每个特征集并获取分数向量：

$$\begin{array}{|l|c|} \hline Movie & Score\\ \hline Avengers\ Infinity\ War & 0.98\\ Deadpool\ 2 & 0.82\\ Venom & 0.24\\ \hline \end{array}$$

我们可以使用 softmax 函数将分数结果解释为概率：

给出函数的分母：

$\displaystyle\sum^N_{n=1} e^{z_n} = e^{0.98} + e^{0.82} + e^{0.24} \ \ \ where: z=\{0.98,0.82,0.24\}$

我们计算给定分数的softmax$x$像这样：

$\Large\frac{e^x}{e^{0.98} + e^{0.82} + e^{0.24}}$

因此，softmax 分数为：

$$\begin{array}{|l|c|c|} \hline Movie & Score & Softmax\\ \hline Avengers\ Infinity\ War & 0.98 & 0.42932\\ Deadpool\ 2 & 0.82 & 0.36584\\ Venom & 0.24 & 0.20484\\ \hline \end{array}$$

我们可以看到：

$0.42932 + 0.36584 + 0.20484 = 1$