Scikit-learn Predict_proba 给出错误答案

这是来自的后续问题如何知道 Scikit-learn 中的 Predict_proba 返回数组中表示哪些类 https://stackoverflow.com/questions/16937243/how-to-know-what-classes-are-represented-in-return-array-from-predict-proba-in-s

在那个问题中，我引用了以下代码：

>>> import sklearn
>>> sklearn.__version__
'0.13.1'
>>> from sklearn import svm
>>> model = svm.SVC(probability=True)
>>> X = [[1,2,3], [2,3,4]] # feature vectors
>>> Y = ['apple', 'orange'] # classes
>>> model.fit(X, Y)
>>> model.predict_proba([1,2,3])
array([[ 0.39097541,  0.60902459]])

我在那个问题中发现这个结果代表了点属于每个类的概率，按照 model.classes_ 给出的顺序

>>> zip(model.classes_, model.predict_proba([1,2,3])[0])
[('apple', 0.39097541289393828), ('orange', 0.60902458710606167)]

所以......这个答案，如果解释正确的话，表示该点可能是一个“橙色”（由于数据量很小，置信度相当低）。但直观上，这个结果显然是不正确的，因为给出的点与“apple”的训练数据相同。为了确定起见，我也测试了相反的情况：

>>> zip(model.classes_, model.predict_proba([2,3,4])[0])
[('apple', 0.60705475211840931), ('orange', 0.39294524788159074)]

同样，显然是错误的，但方向相反。

最后，我尝试了距离更远的点。

>>> X = [[1,1,1], [20,20,20]] # feature vectors
>>> model.fit(X, Y)
>>> zip(model.classes_, model.predict_proba([1,1,1])[0])
[('apple', 0.33333332048410247), ('orange', 0.66666667951589786)]

同样，该模型预测了错误的概率。但是， model.predict 函数是正确的！

>>> model.predict([1,1,1])[0]
'apple'

现在，我记得在文档中读过一些关于 Predict_proba 对于小数据集不准确的内容，尽管我似乎无法再次找到它。这是预期的行为，还是我做错了什么？如果这是预期的行为，那么为什么 Predict 和 Predict_proba 函数的输出不一致？重要的是，数据集需要有多大，我才能信任 Predict_proba 的结果？

- - - - 更新 - - - -

好的，所以我对此做了一些更多的“实验”：predict_proba 的行为严重依赖于“n”，但不是以任何可预测的方式！

>>> def train_test(n):
...     X = [[1,2,3], [2,3,4]] * n
...     Y = ['apple', 'orange'] * n
...     model.fit(X, Y)
...     print "n =", n, zip(model.classes_, model.predict_proba([1,2,3])[0])
... 
>>> train_test(1)
n = 1 [('apple', 0.39097541289393828), ('orange', 0.60902458710606167)]
>>> for n in range(1,10):
...     train_test(n)
... 
n = 1 [('apple', 0.39097541289393828), ('orange', 0.60902458710606167)]
n = 2 [('apple', 0.98437355278112448), ('orange', 0.015626447218875527)]
n = 3 [('apple', 0.90235408180319321), ('orange', 0.097645918196806694)]
n = 4 [('apple', 0.83333299908143665), ('orange', 0.16666700091856332)]
n = 5 [('apple', 0.85714254878984497), ('orange', 0.14285745121015511)]
n = 6 [('apple', 0.87499969631893626), ('orange', 0.1250003036810636)]
n = 7 [('apple', 0.88888844127886335), ('orange', 0.11111155872113669)]
n = 8 [('apple', 0.89999988018127364), ('orange', 0.10000011981872642)]
n = 9 [('apple', 0.90909082368682159), ('orange', 0.090909176313178491)]

我应该如何在我的代码中安全地使用这个函数？至少，是否有任何 n 值可以保证与 model.predict 的结果一致？

predict_probas正在使用 libsvm 的 Platt 缩放功能来校准概率，请参阅：

• sklearn.svm.svc的函数predict_proba()内部如何工作？ https://stackoverflow.com/questions/15111408/how-does-sklearn-svm-svcs-function-predict-proba-work-internally

因此，超平面预测和概率校准确实可能不一致，特别是当数据集中只有 2 个样本时。奇怪的是，在这种情况下，libsvm 为缩放概率所做的内部交叉验证并没有（明确）失败。也许这是一个错误。人们必须深入研究 libsvm 的 Platt 扩展代码才能了解发生了什么。