我已经阅读了 Alexandru Niculescu-Mizil 和 Rich Caruana 的论文“从 Boosting 中获取校准概率”以及该线程中的讨论。但是，我仍然无法理解和实现逻辑或Platt 的缩放来校准我的多类提升分类器的输出（带有决策树桩的温和提升）。

我对广义线性模型有点熟悉，我想我了解逻辑和 Platt 的校准方法如何在二进制情况下工作，但我不确定我是否知道如何将论文中描述的方法扩展到多类情况。

我使用的分类器输出以下内容：

• $f_{ij}$=分类器为类投的票数$j$对于样品$i$正在分类的
• $y_i$= 估计等级

在这一点上，我有以下问题：

Q1：我需要使用多项式 logit 来估计概率吗？或者我仍然可以使用逻辑回归来做到这一点（例如以1-vs-all 的方式）？

Q2：我应该如何定义多类案例的中间目标变量（例如 Platt 的标度）？

Q3：我知道这可能有很多问题要问，但是有人愿意为这个问题画出伪代码吗？（在更实际的层面上，我对 Matlab 中的解决方案感兴趣）。