本文综述机器学习分类器的过度置信与欠置信问题，介绍准确率、校准度等度量标准及其不足，并开展实证研究、开源度量库。研究发现不同度量标准对校准度优化与评价的结论可能截然不同。相关研究提出统一校准评估框架、回归校准方法、领域级校准误差指标及基于核的校准指标，并探索最小风险校准与贝叶斯校准程序。

本文研究了多分类情况下实现公平性的问题，并扩展了基于后处理方法的方法，以实现机器学习分类器的公平性。实验发现，该方法在数据集中个体数量较高时，精度下降微不足道，且能强制实施公平。

本文研究了无训练数据情况下，通过重用和调整同一领域或相关领域数据集的训练数据，训练机器学习分类器的可行性，并提出了五种算法。实验结果显示，该算法在不同领域的数据集上具有显著优势。