我正在使用 SGDClassifier 和 loss function = "hinge"。但是铰链损失不支持类标签的概率估计。
我需要概率来计算roc_curve。如何在不使用 svm 的 SVC 的情况下获得 SGDClassifier 中铰链损失的概率？
我看到有人提到使用CalibratedClassifierCV 来获取概率，但我从未使用过它，也不知道它是如何工作的。
非常感谢您的帮助。谢谢
【问题讨论】：
标签： python machine-learning scikit-learn
严格来说，这是不可能的。
支持向量机分类器是非概率的：它们使用超平面（2D 中的线、3D 中的平面等）将点分成两个类别之一。点仅由它们在超平面的哪一侧定义，直接形成预测。
这与逻辑回归和决策树等概率分类器形成对比，后者为每个点生成一个概率，然后将其转换为预测。
CalibratedClassifierCV 是一种元估计器；要使用它，您只需将基本估算器的实例传递给它的构造函数，这样就可以了：
base_model = SGDClassifier()
model = CalibratedClassifierCV(base_model)
model.fit(X, y)
model.predict_proba(X)
它所做的是执行内部交叉验证以创建概率估计。请注意，这等同于 sklearn.SVM.SVC 所做的。
【讨论】：
SGDClassifier 实例传递给 CalibratedClassifierCV()，然后分别在 X_train 和 X_test 上正常拟合并评分 CalibratedClassifierCV 实例。跨度>
model.predict 来预测类别标签和概率，而不是使用base_model.predict，对吧？
loss='modified_huber' 那么 SGDClassifier 确实给出了预测概率。你能解释一下为什么会这样吗？