我正在尝试使用不同的分类算法（如随机森林、支持向量机、AdaBoost）构建二进制分类系统。我想使用这些分类器的输出来可视化分数。例如，当使用随机森林时，我想使用属于 A 类的样本的概率来构建一个从 0 到 100 的分数。假设随机森林输出一个概率（从 0 到 1），使用它作为分数是直观（我只需将其乘以 100）。然而，鉴于 SVM 输出的是分类而不是概率输出（即到超平面的距离，而不是概率），将到超平面的距离用作某种“伪概率”是否合法？例如，我会
我想确定我可以使用到超平面的距离作为伪概率，并且这个伪概率与随机森林输出的属于给定类的概率相当。例如，根据 SVM，属于 A 类的概率为 0.80 的样本与属于 A 类的（最小-最大变换）概率的另一个样本相同。
从 SVM 中获得“概率”的一种标准方法是使用Platt scaling。例如，请参阅此 Wikipedia 页面和Stats.SE 上的此问题。Platt 缩放涉及拟合逻辑回归模型以基于到超平面的距离来预测“概率”。
正如@DW 提到的，您可以使用Platt scaling。
但是，请记住，概率估计可能与预测不一致。
来自 sklearn 文档：
不用说，Platt 缩放中涉及的交叉验证对于大型数据集来说是一项昂贵的操作。此外，概率估计可能与分数不一致，因为分数的“argmax”可能不是概率的argmax。（例如，在二元分类中，根据 predict_proba，可以通过 predict 将样本标记为属于概率 < 1/2 的类别。） Platt 的方法也存在理论问题。如果需要置信度分数，但不一定是概率，则建议设置probability=False 并使用decision_function 而不是predict_proba。