如何使用 scikit-learn 评估预测的置信度得分

我写下了一个简单的代码，它采用一个参数“query_seq”，进一步的方法计算描述符，最后可以使用“LogisticRegression”（或该函数提供的任何其他算法）算法作为“0（给定情况为负）进行预测)”或“1（给定情况为正）”

def main_process(query_Seq):
    LR = LogisticRegression()
    GNB = GaussianNB()
    KNB = KNeighborsClassifier()
    DT = DecisionTreeClassifier()
    SV = SVC(probability=True)

    train_x, train_y,train_l = data_gen(p) 
    a  = DC_CLASS()
    test_x = a.main_p(query_Seq)
    return Prediction(train_x, train_y, test_x,LR)

当我们进行交叉验证时，我们计算了算法的准确性估计（特异性、灵敏度、mmc 等）的不同统计参数。现在我的问题是，scikit-learn 中是否有任何方法可以用来估计测试数据预测的置信度分数。

许多分类器可以通过调用predict_proba而不是predict方法。阅读此方法的文档字符串以了解它返回的 numpy 数组的内容。

但请注意，分类器在估计自己的置信水平时也可能会犯错误。要解决此问题，您可以使用外部校准程序通过保留的数据（使用交叉验证循环）来校准分类器。该文档将为您提供有关校准的更多详细信息：

http://scikit-learn.org/stable/modules/calibration.html

最后请注意LogisticRegression默认情况下给出相当好的校准置信水平。大多数其他模型类别都受益于外部校准。