Como o limite de probabilidade de um classificador pode ser ajustado no caso de várias classes? [duplicado]

O exemplo acima é um exemplo muito simples de ter uma saída do classificador de probabilidade para um caso de classe binária, 0 ou 1, com base em algumas probabilidades.
Além disso, é simples como você pode alterar o limite. Você define o limite superior ou inferior a 50% para alterar o balanço de precisão / recall e, assim, otimizar para sua própria situação.

No entanto, quando tentamos ter o mesmo pensamento para um cenário multiclasse, até as três classes mostradas na figura abaixo (imagine que sejam probabilidades)

Como você começa a pensar em como mudar o limite?
O padrão é levar a classe com a maior probabilidade (aqui é a classe 3).
Se você deseja obter esse equilíbrio (para afetar a precisão / recall), o que você pode fazer?
Uma idéia poderia ser levar as primeiras classes mais dominantes à normalizá-las e considerar colocar um limite entre essas duas, mas isso não parece uma solução elegante.
Existe uma metodologia sólida a seguir?

Você pode usar uma distribuição anterior pelas classes.

$v$$\pi$$v \circ \pi$$\circ$$c$$v_c\pi_c$

Se você deseja uma distribuição adequada, basta renormalizar.

$\pi=(0.4, 0.3, 0.3)$

$v$$f(x)$

$(\frac{v_1}{1-\theta}, \frac{v_2}{\theta})$$\pi=(\frac{1}{1-\theta}, \frac{1}{\theta})$

$\pi$

Para uma maneira mais fundamentada de incorporar esse tipo de suposições prévias em seu modelo, convém examinar a inferência bayesiana.