我目前正在使用H2O作为分类问题数据集。我在python 3.6环境中使用H2ORandomForestEstimator测试它。我注意到预测方法的结果给出了0到1之间的值（我假设这是概率）。
在我的数据集中，目标属性是数字，即True值是1，False值是0.我确保我将类型转换为目标属性的类别，我仍然得到相同的结果。
然后我修改了代码，使用H2OFrame上的asfactor()方法将目标列转换为因子，结果没有任何变化。
但是当我将目标属性中的值分别更改为1和0时的True和False时，我得到了预期的结果（即）输出是分类而不是概率。
原则上和理论上，硬分类和软分类（即分别返回类和概率）是不同的方法，每个方法都有其自身的优点和缺点。例如，从纸张Hard or Soft Classification? Large-margin Unified Machines考虑以下内容：
基于边距的分类器在机器学习和分类问题的统计中都很流行。在众多分类器中，有些是硬分类器，有些是软分类器。软分类器明确地估计类条件概率，然后基于估计的概率执行分类。相反，硬分类器直接以分类决策边界为目标而不产生概率估计。这两种类型的分类器基于不同的哲学，每种都有自己的优点。
也就是说，在实践中，今天使用的大多数分类器，包括随机森林（我能想到的唯一例外是SVM系列）实际上是软分类器：它们实际上在下面生成的是类似概率的度量，随后，结合隐式阈值（在二进制情况下默认为0.5），给出了像0/1或True/False这样的硬类成员资格。
获得分类预测结果的正确方法是什么？
对于初学者来说，总是可以从概率转向艰难的阶级，但事实恰恰相反。
一般来说，鉴于你的分类器实际上是一个柔软的分类器，只需最终的硬分类（True/False）给这个过程带来了“黑盒子”的味道，这原则上应该是不合需要的;直接处理产生的概率，并且（重要的！）明确地控制决策阈值应该是这里的优选方式。根据我的经验，这些是新的从业者经常失去的微妙之处;例如，从Cross Validated线程Classification probability threshold考虑以下内容：
当您为新样本的每个类输出概率时，练习的统计部分结束。选择一个阈值，超过该阈值，您将新观察分类为1对0不再是统计数据的一部分。它是决策部分的一部分。
除了如上所述的“软”参数（双关语）之外，还有一些情况需要直接处理基础概率和阈值，即二进制分类中默认阈值为0.5的情况会导致您误入歧途，最明显的是当您的课程是不平衡的;请参阅我在High AUC but bad predictions with imbalanced data（以及其中的链接）中的答案，以获得此类案例的具体示例。
说实话，我对你报告的H2O的行为感到惊讶（我没有亲自使用它），即输出的类型受输入表示的影响;情况应该不是这样，如果确实如此，我们可能会遇到设计不良的问题。比较scikit-learn中的随机森林分类器，它包括两种不同的方法，predict和predict_proba，分别得到硬分类和基础概率（并检查文档，很明显predict的输出是基于概率估计，已经计算过）。
如果概率是数值目标值的结果，那么在多类分类的情况下如何处理它？
除了简单的门槛不再有意义之外，原则上没有任何新的东西;再次，来自随机森林predict docs scikit-learn：
预测类是具有最高平均概率估计的类
也就是说，对于3个类(0, 1, 2)，你得到[p0, p1, p2]的估计（根据概率规则，元素总和为1），并且预测的类是具有最高概率的类，例如， [0.12, 0.60, 0.28]案例＃1。这是一个带有3级虹膜数据集的reproducible example（它用于GBM算法和R中，但基本原理是相同的）。
添加到@ desertnaut的答案，并且因为您将此问题标记为Python，以下是您处理问题的最后部分的方法：
如果概率是数值目标值的结果，那么在多类分类的情况下如何处理它？
y_pred = np.argmax(prob, axis=1)
这将把(num_examples, n_classes)概率值数组转换为预测类的(num_examples, )数组。