Scikit 学习 SVM 二元分类器的实现不允许您像其他评论/回复所建议的那样设置截止阈值。它没有给出类概率，而是直接应用默认截止值来为您提供类成员资格，例如 1 或 2。

为了最大限度地减少假阴性，您可以为标记为正类的训练样本设置更高的权重，默认情况下，所有类的权重都设置为 1。要改变这一点，请使用超参数class_weight。

理想情况下，您应该避免选择截止值，而只是向最终用户提供类概率，然后他们可以在根据分类器做出决策时决定应用哪个截止值。

比较分类器的更好指标是适当的评分功能，请参阅https://en.wikipedia.org/wiki/Scoring_rule和score()svm 分类器模块中的方法sklearn.svm.SVC。

像许多预测模型一样，SVM 会输出概率分数和概率的应用阈值，以将其转换为正标签或负标签。

正如评论中提到的@Sycorax，您可以调整截止阈值以调整误报和误报之间的权衡。

这是 R 中的一些示例。

library(kernlab)
library(mlbench)
graphics.off()
set.seed(0)

d=mlbench.2dnormals(500)
plot(d)
# using 2nd order polynominal expansion
svp <- ksvm(d$x,d$classes,type="C-svc",kernel="polydot",
            kpar=list(degree=2),C=10,prob.model=T)
plot(svp)

p=predict(svp,d$x, type="prob")[,1]

cut_off=0.5
caret::confusionMatrix(d$classes,ifelse(p<cut_off,2,1))

cut_off=0.8
caret::confusionMatrix(d$classes,ifelse(p<cut_off,2,1))

注意当我们改变时cut_off，混淆矩阵（假阳性、假阴性等）会改变

> caret::confusionMatrix(d$classes,ifelse(p<cut_off,2,1))
Confusion Matrix and Statistics

          Reference
Prediction   1   2
         1 253  16
         2  38 193

               Accuracy : 0.892           
                 95% CI : (0.8614, 0.9178)
    No Information Rate : 0.582           
    P-Value [Acc > NIR] : < 2.2e-16       

                  Kappa : 0.7813          
 Mcnemar's Test P-Value : 0.004267        

            Sensitivity : 0.8694          
            Specificity : 0.9234          
         Pos Pred Value : 0.9405          
         Neg Pred Value : 0.8355          
             Prevalence : 0.5820          
         Detection Rate : 0.5060          
   Detection Prevalence : 0.5380          
      Balanced Accuracy : 0.8964          

       'Positive' Class : 1               


> cut_off=0.8

> caret::confusionMatrix(d$classes,ifelse(p<cut_off,2,1))
Confusion Matrix and Statistics

          Reference
Prediction   1   2
         1 223  46
         2  10 221

               Accuracy : 0.888          
                 95% CI : (0.857, 0.9143)
    No Information Rate : 0.534          
    P-Value [Acc > NIR] : < 2.2e-16      

                  Kappa : 0.7772         
 Mcnemar's Test P-Value : 2.91e-06       

            Sensitivity : 0.9571         
            Specificity : 0.8277         
         Pos Pred Value : 0.8290         
         Neg Pred Value : 0.9567         
             Prevalence : 0.4660         
         Detection Rate : 0.4460         
   Detection Prevalence : 0.5380         
      Balanced Accuracy : 0.8924         

       'Positive' Class : 1