Burges 的A Tutorial on Support Vector Machines for Pattern Recognition为您提供了对 SVM 的非常详细的介绍。只需将其与逻辑回归进行比较，SVM 对二元分类案例的决策函数为

在哪里$\mathbf{w} = \sum_i \alpha_i y_i \mathbf{x}_i$,$\alpha_i$在所有情况下都为零，但支持向量（恰好位于分离超平面上的那些），以及$y_i \in \{1, -1\}$是标签。

该参考文献还对这些结果给出了非常清晰和直观的几何解释。看到你它没有像逻辑回归那样提供任何分数。它不模拟（条件）概率密度。请参阅scikit-learn文档以获取对此问题的描述以及处理方法。