Python Scikits.learn 0.8 predict_Probability（）仅输出统一概率

我正在使用nicepython软件包训练一些分类器，以便使用面向梯度特征的直方图进行基于部分的人脸识别。我已经成功地训练了一个线性支持向量机来识别特定的人脸部位，但是我在

predict\u proba（）

函数方面遇到了奇怪的问题

我使用以下培训代码：

 import numpy as np
 from scikits.learn import svm

 # Do some stuff to prepare DATA matrix of feature vector samples
 # And LABELS vector of 1's and 0's for positive and negative samples.
 clf = svm.SVC(kernel='linear',probability=True)
 clf.fit(DATA, LABELS)

但是当我运行

predict\u proba（[test\u vector]）

时，我只看到

[[0.5 0.5]]

作为输出，即我的两个二进制类之间的统一概率

但奇怪的是，当我只使用

predict（）

函数时，它的性能相当好，当然不能只是简单地为所有事物分配统一的概率。在测试图像上，我在正确的面部部位周围获得了更密集的“1”分类，然后在场景的其他地方获得了一些预期的嘈杂的“1”分类，但正如预期的那样，主要是所有“0”分类

---

使用scikit learn Git repo的

0.8

分支，我无法再现此错误，原因是什么。您是否考虑过升级到0.9？如果这不能修复错误，您可能需要。否则，请在此处发布一个会触发错误的最小数据集。是否可能对特征向量的数量有一些大小限制？当我只使用前5个特征向量和前5个标签来拟合分类器时，

predict\u proba（）

似乎可以正常工作。但是，当我重复相同的代码但保留所有7206特性和7206标签时，输出分类器只会给出

[0.5 0.5]

作为概率向量。

SVC（）

函数的

cache\u size

参数控制什么？经过更多检查后，似乎

预测了\u proba（）

概率是通过交叉验证生成的。这跟这事有关系吗？RBF和线性核之间有什么不同？我无法使用scikit learn Git repo的

0.8

分支重现此错误。您是否考虑过升级到0.9？如果这不能修复错误，您可能需要。否则，请在此处发布一个会触发错误的最小数据集。是否可能对特征向量的数量有一些大小限制？当我只使用前5个特征向量和前5个标签来拟合分类器时，

predict\u proba（）

似乎可以正常工作。但是，当我重复相同的代码但保留所有7206特性和7206标签时，输出分类器只会给出

[0.5 0.5]

作为概率向量。

SVC（）

函数的

cache\u size

参数控制什么？经过更多检查后，似乎

预测了\u proba（）

概率是通过交叉验证生成的。这跟这事有关系吗？RBF和线性核之间有什么不同？