Python 对DecisionTreeClassifier预测的信心

我试图理解分类算法是如何创建一种通用管道的，所以我只是从LinearSVC模型开始。一般来说，我在做：

model = LinearSVC(loss='squared_hinge', penalty='l2', dual=False, tol=1e-3)
model.fit(X_train, y_train)
pred_labels = model.predict(X_unlabeled)  
confidence_on_pred_labels = model.decision_function(X_unlabeled)

我真的需要，作为输出，预测标签和他们的信心。但是当我试着用其他模型来做这件事时，我找不到一种方法来获得自信。例如

model = DecisionTreeClassifier(random_state=0)
model.fit(X_train, y_train)
pred_labels = model.predict(X_unlabeled)  
confidence_on_pred_labels = model.predict_proba(X_unlabeled)

在这种情况下，predict_proba为每个预测标签返回一个元组，其中包含[0,1]作为值（而不是0和1之间的置信度作为单个数字）。我的意思是，绝对所有的预测都有0或1的值，中间没有值。例如，如果我跑步

set(model.predict_proba(X_unlabeled)[:,1]) I will get [0.0, 1.0] 

这正常吗

我怎么能得到这样一个号码？或者其他哪些模型让我得到了预测的信心？

---

最好的是，

未标记的X是否与未标记的X具有相同的数据？这可能是您的概率显示为[0.1]的原因。如果你给它的是你试图实际预测的数据，但不是相同的，你应该得到不同的概率。model.predict_probability应该可以向您展示类概率

嗨@Horbaje，谢谢你的回答。我没有回答这个问题。X_unlabeled是一个csr矩阵，其中数据为[62.0465408 36.30498454 4.27042236…]，并且所有预测值均为0.0或1.0。这正常吗？例如，如果我运行set（model.predict_proba（X_unlabeled）[：，1]），我将得到[0.0,1.0]，是的，X_unlabeled是目标集中的数据（要分类，没有标签）