实际上可以从支持向量机中获得概率，这可能比任意“分数”值更有用和更易于解释。有几种方法可以做到这一点：一个合理的起点是Platt (1999)。

大多数 SVM 包/库都实现了类似的功能（例如，-b 1 选项导致LibSVM产生概率）。如果您要自己滚动，您应该意识到存在一些潜在的数字问题，这些问题在Lin、Lin 和 Weng (2007)的这篇笔记中进行了总结。他们还提供了一些伪代码，这也可能会有所帮助。

编辑以回应您的评论：我有点不清楚为什么您更喜欢分数而不是概率，特别是因为您可以用最少的额外努力获得概率。尽管如此，大多数概率计算似乎都是从点和超平面之间的距离得出的。如果你看一下 Platt 论文的第 2 部分，他会遍历动机并说：

边缘之间的类条件密度显然是指数的。贝叶斯关于两个指数的规则建议使用 sigmoid 的参数形式：

$$P(y=1 | f) = \frac{1}{1+\exp(Af+B)}$$ 这个 sigmoid 模型等价于假设 SVM 的输出与正训练示例的对数似然成正比。[MK：$f$在别处被定义为原始 SVM 输出]。

方法部分的其余部分描述了如何拟合$A$和$B$sigmoid 的参数。在引言（第 1.0 和 1.1 节）中，Platt 回顾了 Vapnik、Wahba 和 Hasti & Tibshirani 的其他一些方法。这些方法还使用到超平面的距离之类的东西，以各种方式进行操作。这些似乎都表明到超平面的距离包含一些有用的信息，所以我想你可以使用原始距离作为一些（非线性）置信度度量。

如果训练数据集合理平衡并具有标准化特征，我将使用 SVM 分数作为对属于各个类别的置信度的度量。将分数转换为类概率量的所谓校准方法，例如 Platt scaling，通常使用单调函数（如逻辑函数）将分数映射到概率。因此，如果您只想比较学习的 SVM 模型在属于可能类的特定测试数据点中的置信度，您可以只比较得分值（而不是它们的绝对值），因为模型是从中学习的训练数据集相当平衡，没有任何不寻常的怪癖。