我想对SVC 分类器的概率输出运行网格搜索交叉验证。特别是我想最小化负对数可能性。从文档来看，GridSearchCV 似乎调用了它所传递的估计器的predict() 方法，而SVC 的predict() 方法返回类预测而不是概率（predict_proba() 返回类概率）。
1) 我是否需要继承 SVC 并给它一个 predict() 方法来返回概率而不是类来完成我的对数似然交叉验证？我想我需要自己写score_func 或loss_func？
2) 对这种负对数似然性进行交叉验证是愚蠢的吗？我正在这样做 b/c 数据集是：a）不平衡 5:1 和 b）根本不可分离，即即使是“最差”的观察结果也有 > 50% 的机会进入“好”类。 （可能还会在统计问答中发布第二个问题）
【问题讨论】：
标签： python machine-learning scikit-learn
是的，你会，在这两个帐户上。
class ProbSVC(SVC):
def predict(self, X):
return super(ProbSVC, self).predict_proba(X)
我不确定这是否可行，因为多数类别可能仍会主导对数似然分数，并且最终估计器可能仍会为少数类别的样本产生 >.5 的阳性结果。不过我不确定，所以请将其发布到统计信息中。
【讨论】：
super(ProbSVC, self)（即相反顺序的参数），但我对Python很陌生，所以如果有人确认这一点，我会更喜欢
SVC构造函数的正确方法是什么，设置probability=True并将所有其他参数传递给SVC构造函数。会不会是这样的：def __init__(self, **kwargs): super(ProbSVC, self).__init__(probability=True, **kwargs)
使用 sklearn 开发版中的新记分器接口，您不需要子类化。您只需要定义一个评分对象，如in the docs 所述
基本上你需要做
log_loss_score = Scorer(neg_log_loss, needs_threshold=True)
不过，这可能会退回到“decision_function”。
您还可以定义一个新的记分器类，在估算器上调用 predict_proba 以确保它获得标准化概率。
此外，欢迎提交日志丢失请求：)
【讨论】：