Python 获得OneClassSVM分类结果的确定性

我使用OneClassSVM和sklearn对未标记数据执行了异常检测。为了检查结果，我想对分类的确定性进行过滤。我遇到过预测概率，但我无法在OneClassSVM上使用它，因为属性错误：“OneClassSVM”对象没有属性“预测概率”。我不确定预测是否是正确的方法，我只是在寻找解决这个问题的方法时遇到的

下面是一段数据，其中CompanyID是商场的ID，1和2是商场两个独立入口上的传感器：

import pandas as pd
df = pd.DataFrame({"Datetime": [2016-6-13,2016-6-14,2016-6-15,2016-6-16],
                  "CompanyID": [271, 271, 271, 271],
                  "1": [140, 143, 142, 143],
                  "2": [42, 43, 49, 230]})

OneClassSVM模型。但我不确定如何获得分类的确定性

#support vector machines outlier detection
from sklearn import preprocessing, svm
import matplotlib.pyplot as plt

def find_outliers(ts, perc=0.02, figsize=(15,5)):
    ## fit svm
    scaler = preprocessing.StandardScaler()
    ts_scaled = scaler.fit_transform(ts.values.reshape(-1,1))
    model = svm.OneClassSVM(nu=perc, kernel="rbf", gamma=0.03)
    model.fit(ts_scaled)
    ## dtf output
    df_outliers = ts.to_frame(name="ts")
    df_outliers["index"] = ts.index
    df_outliers["outlier"] = model.predict(ts_scaled)
    df_outliers["outlier"] = df_outliers["outlier"].apply(lambda
                                              x: 1 if x==-1 else 0)
    ##CERTAINTY OF THE CLASSIFICATION
    ##this line of code returns an error. 
    df_outliers["probability"] = model.predict_proba(df_outliers)
    
    ## plot
    fig, ax = plt.subplots(figsize=figsize)
    plt.title(f'SVM - Entrance: {column}. Antall outliers: '+str(sum(df_outliers["outlier"]==1)))

    ax.plot(df_outliers["index"], df_outliers["ts"],
            color="black")
    ax.scatter(x=df_outliers[df_outliers["outlier"]==1]["index"],
               y=df_outliers[df_outliers["outlier"]==1]['ts'],
               color='red')
    ax.grid(True)
    plt.show()

    # Return outlier column here
    return(df_outliers['outlier'])

编辑：

---

正如@Zoro所指出的，predict_proba不适用于OneClassSVM。我怎样才能着手解决这个问题呢？

我只是浏览了一下文档。它没有定义任何

predict\u proba

方法。您可以使用基于树的分类器，如或。

谢谢您的输入。我已将你的评论添加到帖子中。然而，我希望能够通过支持向量机来实现这一点，而不是改变为基于树的方法。支持向量机不会产生概率分数。这是我在CrossValidate上发现的东西。

#loop over the entrances of the mall
for column in df.columns[2:]:
    find_outliers(df[column])