如何获得分类器对sklearn中预测的置信度分数？

Question

我想获得它所做的每个预测的置信度分数，以显示分类器对其预测正确性的确定程度。

我想要这样的东西：

分类器对其预测的确定性如何？

1 级：81% 这是 1 级
第 2 类：10%
第 3 类：6%
第 4 类：3%

我的代码示例：

features_train, features_test, labels_train, labels_test = cross_validation.train_test_split(main, target, test_size = 0.4)

# Determine amount of time to train
t0 = time()
model = SVC()
#model = SVC(kernel='poly')
#model = GaussianNB()

model.fit(features_train, labels_train)

print 'training time: ', round(time()-t0, 3), 's'

# Determine amount of time to predict
t1 = time()
pred = model.predict(features_test)

print 'predicting time: ', round(time()-t1, 3), 's'

accuracy = accuracy_score(labels_test, pred)

print 'Confusion Matrix: '
print confusion_matrix(labels_test, pred)

# Accuracy in the 0.9333, 9.6667, 1.0 range
print accuracy



model.predict(sub_main)

# Determine amount of time to predict
t1 = time()
pred = model.predict(sub_main)

print 'predicting time: ', round(time()-t1, 3), 's'

print ''
print 'Prediction: '
print pred

我怀疑我会使用 score() 函数，但我似乎一直正确地实现它。我不知道这是否是正确的函数，但是如何获得分类器预测的置信百分比？

Answer 1

根据SVC documentation，您似乎需要更改构建 SVC 的方式：

model = SVC(probability=True)

然后使用 predict_proba 方法：

class_probabilities = model.predict_proba(sub_main)

Answer 2

对于那些实施predict_proba() 方法的估计器，就像贾斯汀皮尔建议的那样，您可以使用predict_proba() 来产生预测的概率。

对于那些没有实现predict_proba()方法的估计器，您可以使用bootstrap概念自己构建置信区间（在许多子样本中重复计算您的点估计）。

如果您需要任何详细的示例来演示这两种情况，请告诉我。