Scikit learn 如何在使用scikitlearn'；s线性SVC分类器

如何从

sklearn.svm.LinearSVC

模型中获得预测的概率估计值，其方式与

sklearn.svm.SVC

的

probability=True

选项类似，该选项允许

预测概率（）

我需要避免

SVC

的基础

libsvm

的二次拟合惩罚，因为我的训练集很大。

sklearn.svm.LinearSVC

没有您正确注意到的

预测概率

方法

但是，您可以尝试以下技巧来绕过此缺点：

from sklearn.svm import LinearSVC
from sklearn.calibration import CalibratedClassifierCV
svm = CalibratedClassifierCV(LinearSVC())
svm
CalibratedClassifierCV(base_estimator=LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,
     intercept_scaling=1, loss='squared_hinge', max_iter=1000,
     multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,
     verbose=0),
            cv=3, method='sigmoid')

由此产生的

svm

模型确实具有可用的

predict\u proba

方法

---

您可以阅读更多关于sklearn.svm的信息。LinearSVC没有您正确注意到的

predict\u proba

方法

但是，您可以尝试以下技巧来绕过此缺点：

from sklearn.svm import LinearSVC
from sklearn.calibration import CalibratedClassifierCV
svm = CalibratedClassifierCV(LinearSVC())
svm
CalibratedClassifierCV(base_estimator=LinearSVC(C=1.0, class_weight=None, dual=True, fit_intercept=True,
     intercept_scaling=1, loss='squared_hinge', max_iter=1000,
     multi_class='ovr', penalty='l2', random_state=None, tol=0.0001,
     verbose=0),
            cv=3, method='sigmoid')

由此产生的

svm

模型确实具有可用的

predict\u proba

方法

你可以阅读更多关于