Image 将SVM超平面距离（响应）转换为似然

我正在尝试使用支持向量机来训练一些图像模型。然而，支持向量机不是一个概率框架，所以它将超平面之间的距离作为一个整数输出

通过使用一些优化函数将SVM的输出转换为似然，但我不明白，该方法是否假设一个类具有相同的概率，即对于二元分类器，如果所有训练集都是偶数且成比例的，那么对于标签1或-1，它每次都以50%的概率出现

其次，在一些论文中我读到，对于二元SVM分类器，他们将-1和1标签转换为0到1的范围，并计算似然。但是他们没有提到如何将SVM距离转换为概率

对不起我的英语。我欢迎任何建议和评论。非常感谢。

---

据我所知，本文建议使用sigmoid函数将SVM输出映射到[0,1]范围

从简化的角度来看，它类似于[0,1]中的Sigmoid（RAWSVM（X）），因此标签没有明确的“权重”。我们的想法是，取一个标签（假设Y=+1），然后取SVM的输出，看看该模式的预测与该标签有多接近，如果它接近，则sigmoid会给你一个接近1的数字，否则会给你一个接近0的数字。因此你有一种概率感

其次，在一些论文中我读到，对于二元SVM分类器，他们将-1和1标签转换为0到1的范围，并计算似然。但是他们没有提到如何将SVM距离转换为概率

是的，您是正确的，有些实现在[0,1]领域而不是[-1，+1]领域工作，有些甚至根据C的值将标签映射到一个因子。在任何情况下，这都不会影响本文中提出的方法，因为它们会将任何范围映射到[0,1]。请记住，这种“概率”分布只是从任意范围到[0,1]的映射，假设均匀性。我过于简单化了，但效果是一样的

最后一件事，sigmoid映射不是静态的，而是数据驱动的，这意味着使用数据集对sigmoid进行参数化训练，以使其适应数据。换句话说，对于两个不同的数据集，您可能会得到两个不同的映射函数