当使用 SVM-OVR (Ove-Vs-Rest) 进行多类分类时，训练了 n 个分类器，其中 n 等于类的数量。 i-th 分类器基本上计算类 i 和包含所有其他类的二元分类。
然后，为了预测一个新的数据样本，对所有的 n 个分类器进行测试，并根据每个分类器估计的置信度，返回最可能的类别。例如，class1 = 0.59，class2 = 0.61，以此类推，关联概率最大的将对应输出类。
我想知道如何准确计算每个分类器的置信度。我试图阅读SVC 中的文档，但我看不到predict 函数如何评估每个分类器。也就是说，如果class1 = 0.59，那么0.59是怎么计算出来的呢？生成它的原始值是什么？是样本到超平面的欧式距离吗？
【问题讨论】：
标签： python machine-learning scikit-learn svm multiclass-classification
这是通过 Platt Scaling（也称为 Platt Calibration）实现的。
Platt Scaling 是一种算法，可将这些多个分类器的输出转换为类的概率分布。
它是由：
其中 f(x) 是 SVM 输出，A 和 B 只是算法学习到的标量。
当然，Scikit-learn 可能会使用这个的变体，但是，这是主要的想法。
更多详情，我推荐你original paper。
根据您在下面的评论，f(x) 只是分类器分数，即决策函数输出，对于 SVC，它是：f(x) = θᵀg(x) + b（权重乘以一些映射函数 + 一些偏差），其中得到分类器f(x)的输出。
现在，来自每个分类器的这些分数被插入到 Platt Scaling 算法中，以根据上面给出的公式将它们转化为概率。
请注意，Platt Scaling 是通过交叉验证执行的，以避免由于在上述 Platt Scaling 公式中选择参数 A 和 B 而可能发生的过度拟合（因此它的计算成本可能更高）。另请注意，Scikit-learn 为此使用了用 C 编写的 libsvm。
【讨论】：
predict 甚至与您的问题无关。