在 python 中使用 SVM 回归置信度

Question

我在 python 中使用回归 SVM，我想知道是否有任何方法可以为其预测获得“置信度”值。

以前，当使用 SVM 进行二进制分类时，我能够从“边距”计算置信度类型值。这是一些伪代码，显示了我如何获得置信度值：

# Begin pseudo-code
import svm as svmlib

prob = svmlib.svm_problem(labels, data)
param = svmlib.svm_parameter(svm_type=svmlib.C_SVC, kernel_type = svmlib.RBF)
model = svmlib.svm_model(prob, param)

# get confidence
confidence = self.model.predict_values_raw(sample_to_classify)

我想新样本离训练数据越远，置信度越差，但我正在寻找一个可能有助于为此计算合理估计的函数。

我的（高级）问题如下：

• 我有一个函数 F(x)，其中 x 是一个高维向量
• F(x) 可以计算，但速度很慢
• 我想训练一个回归 SVM 来逼近它
• 如果我能找到预测置信度较低的“x”值，我可以添加这些点并重新训练（也称为主动学习）

以前有没有人获得/使用过回归-SVM 置信度/边距值？

Answer 1

看看一月份在 Stack 上的类似回复。选择的答案是关于在非参数拟合方法上获得置信度度量的难度。您可能可以做一些贝叶斯类型的事情，但 Python SVM 库可能无法做到这一点：Prefer one class in libsvm (python)。