Comment puis-je connaître la probabilité de classe prédite par la fonction predict () dans Support Vector Machine?

Comment puis-je savoir échantillon, la probabilité qu'il appartient à une classe prédite par predict() la fonction de Scikit-Learn en Machine à Vecteurs de Support?

>>>print clf.predict([fv])
[5]

Il y a une fonction?

source d'informationauteur postgres

  1. 13

    Utilisation de la fcf.predict_proba([fv]) pour obtenir une liste avec les probabilités prédites par classe. Cependant, cette fonction n'est pas disponible pour tous les classificateurs.

    Ce qui concerne votre commentaire, considérez les points suivants:

    >> prob = [ 0.01357713, 0.00662571, 0.00782155, 0.3841413, 0.07487401, 0.09861277, 0.00644468, 0.40790285]
>> sum(prob)
1.0

    La somme des probabilités de 1,0, donc multiplier par 100 pour obtenir un pourcentage.

  2. 16

    Absolument lire cette section de la documentation comme il y a des subtilités qui sont impliqués. Voir aussi Scikit-learn predict_proba donne de mauvaises réponses

    En gros, si vous avez un multi-classe de problème avec beaucoup de données predict_proba comme suggéré plus haut fonctionne bien. Sinon, vous risquez d'avoir à faire avec une commande qui ne donne pas les scores de probabilité de decision_function.

    Voici un joli motif à l'aide de predict_proba pour obtenir un dictionnaire ou d'une liste de classe vs probabilité:

    model = svm.SVC(probability=True)
model.fit(X, Y)
results = model.predict_proba(test_data)[0]

# gets a dictionary of {'class_name': probability}
prob_per_class_dictionary = dict(zip(model.classes_, results))

# gets a list of ['most_probable_class', 'second_most_probable_class', ..., 'least_class']
results_ordered_by_probability = map(lambda x: x[0], sorted(zip(model.classes_, results), key=lambda x: x[1], reverse=True))
  3. 6

    Lors de la création de SVC classe pour calculer les estimations de probabilité par la mise en probability=True:

    http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html

    Alors appel fit comme d'habitude, puis predict_proba([fv]).

  4. 0

    Pour des réponses plus claires, je poste à nouveau les informations de scikit-learn pour les svm.

    Inutile de dire que la validation croisée impliqués dans Platt mise à l'échelle est une opération coûteuse pour les grands ensembles de données. En outre, les estimations de probabilité peut être incompatible avec les scores, dans le sens que le “argmax” des partitions ne peuvent pas être la argmax des probabilités. (E. g., dans la classification binaire, un échantillon peut être marqué par de prédire l'appartenance à une classe qui a une probabilité <½ selon predict_proba.) Platt méthode est également connue pour avoir de problèmes théoriques. Si les scores de confiance sont nécessaires, mais elles n'ont pas à être probabilités, il est recommandé de définir la probabilité=Faux et usage decision_function au lieu de predict_proba.

    Pour d'autres classificateurs comme la Forêt Aléatoire, AdaBoost, le Gradient de Stimuler, il devrait être d'accord pour utiliser la fonction predict dans scikit-learn.