Python Scikit学习预测概率的分类器输出

我有一个数据集，我把它一分为二，用于使用scikit learn训练和测试随机森林分类器

我有87个班级和344个样本。大多数情况下，

predict\u proba

的输出是一个三维数组

（87344,2）

（它实际上是一个包含87个

numpy.ndarray

元素的

列表）

有时，当我选择一个不同的样本子集进行训练和测试时，我只得到一个二维数组
（87344）
（尽管我无法确定在哪种情况下）

我的两个问题是：


这些维度代表什么？我计算出要得到ROC AUC分数，我必须取一半的输出（也就是说，
（87344，2）[：，：，1]
，将其转换，然后将其与我的基本事实进行比较（
ROC AUC分数（基本事实，预测概率的输出）[：，：，1].T）
，但我不明白它的真正含义
为什么输出会随着数据的不同子集而变化？我不明白在哪些情况下它会返回3D数组，在哪些情况下它会返回2D数组
分类器。predict_probability（）
返回类概率。数组的
n
维度将根据您训练的子集中有多少类而有所不同
是否确定用于匹配RF的数组具有正确的形状？（n_样本，n_特征）用于数据和（n_样本）对于目标类。
在你的例子中，你应该得到一个数组Y_pred的形状（n_样本，n_类），所以（344,87），其中r行的项目i是样本X[r，：]的类i的预测概率。注意
sum（Y_pred[r，：]）=1

但是，我认为如果目标数组Y具有形状（n_个样本，n_个类），其中每一行都是零，只有一行对应于样本类，那么sklearn将其视为一个多输出预测问题（独立考虑每个类）但我不认为这是你想做的。在这种情况下，对于每个类和每个样本，你都会预测是否属于这个类

最后，输出确实取决于训练集，因为它取决于类的数量（在训练集中）。您可以通过属性
n_classes
获得它（您也可以通过手动设置来强制设置类的数量）您还可以使用属性
classes
获取类的值。请参阅

希望有帮助