Python sklearn'；s predict_proba返回无限概率

我正在使用scikit learn的

CalibredClassifiedRCV

和

GaussianNB（）

对一些数据运行二进制分类。 我已经验证了

.fit（X\u-train，y\u-train）

中的输入，它们具有匹配的尺寸，并且都通过了

np.isfinite

测试

我的问题是当我运行

.predict\u proba（X\u test）

时。 对于一些示例，返回的概率是

数组（[-inf，inf]）

，我真的不明白为什么

当我尝试对结果预测运行

brier\u score\u loss

时，我发现了这一点，它抛出了一个

ValueError：输入包含NaN、无穷大或一个对于dtype（'float64'）来说太大的值。

我已经添加了一些数据。 它比我想要的要大，但我无法用更小的数据集进行一致的复制。 复制代码如下。 代码有一些随机性，因此如果没有找到无穷大，请尝试再次运行它，但从我的实验来看，它应该在第一次尝试时找到它们

from sklearn.naive_bayes import GaussianNB
from sklearn.calibration import CalibratedClassifierCV
from sklearn.model_selection import StratifiedShuffleSplit
import numpy as np

loaded = np.load('data.npz')
X = loaded['X']
y = loaded['y']

num = 2*10**4
sss = StratifiedShuffleSplit(n_splits = 10, test_size = 0.2)
cal_classifier = CalibratedClassifierCV(GaussianNB(), method = 'isotonic', cv = sss)

classifier_fit = cal_classifier.fit(X[:num], y[:num])
predicted_probabilities = classifier_fit.predict_proba(X[num:num+num//4])[:,1]

predicted_probabilities[np.argwhere(~np.isfinite(predicted_probabilities))]

---

似乎等渗回归（由校准分类RCV使用）提供了

inf

值。 更准确地说，它来自于等渗的线性回归：

• 在此宣布—
• 这里叫-

对非常小的值（低于某个阈值但高于0）调用的回归给出了

inf

在调试模式下，

self.f_（[0，3.2392382784e-313]）

返回

[0.10430463576158941，inf]

，这是一种奇怪的行为。

interpolate.interp1d

的实现可能无法处理这种“超小”值。希望能有帮助