校准多类增强分类器

我已阅读亚历山德鲁·尼古列斯库-米济尔和富卡鲁阿纳的论文“ 从推进获取校准概率，并在讨论” 这一主题。但是，我仍然难以理解和实现逻辑或普拉特定标来校准我的多类提升分类器（带有决策树桩的温和提升）的输出。

我对广义线性模型有些熟悉，并且我想我了解logistic和Platt的校准方法在二进制情况下如何工作，但不确定如何将本文中描述的方法扩展到多类情况。

我正在使用的分类器输出以下内容：

• =分类器针对要分类的样本 i为类 j投的票数$f_{ij}$$j$$i$
• =预估班级$y_i$

在这一点上，我有以下问题：

问题1：我是否需要使用多项式logit来估计概率？还是我仍然可以通过逻辑回归来做到这一点（例如，以1-vs-all的方式）？

问题2：如何为多类情况定义中间目标变量（例如，按Platt的缩放比例）？

Q3：我知道这可能要问很多，但是有人愿意为这个问题草拟出伪代码吗？（在更实际的水平上，我对Matlab中的解决方案感兴趣）。

这也是我实际感兴趣的话题，因此我做了一些研究。这是作者的两篇论文，在这些问题上经常被列为参考。

1. 将分类器分数转换为准确的多类概率估计
2. 通过耦合概率估计将多类转换为二元

这里提倡的技术要点是将多类问题简化为二进制问题（例如，一个问题与其他问题，AKA问题与全部问题），使用像Platt这样的技术（最好使用测试集）来证明二进制分数/概率，以及然后使用论文中讨论的技术将它们组合起来（其中之一是Hastie等人的“耦合”过程的扩展）。在第一个链接中，通过简单地将二进制概率归一化为总和为1即可找到最佳结果。

我很想听听其他建议，并且如果这些技术中的任何一项都已包含在R中。