将 LinearSVC 的决策函数转换为概率（Scikit learn python）

我使用 scikit learn (LinearSVC) 中的线性 SVM 来解决二元分类问题。我知道 LinearSVC 可以为我提供预测标签和决策分数，但我想要概率估计（对标签的置信度）。由于速度原因，我想继续使用 LinearSVC（与具有线性内核的 sklearn.svm.SVC 相比） 使用逻辑函数将决策分数转换为概率是否合理？

import sklearn.svm as suppmach
# Fit model:
svmmodel=suppmach.LinearSVC(penalty='l1',C=1)
predicted_test= svmmodel.predict(x_test)
predicted_test_scores= svmmodel.decision_function(x_test) 

我想检查简单地获得概率估计是否有意义 [1 / (1 + exp(-x)) ]，其中 x 是决策分数。

或者，还有其他选项可以用来有效地完成此任务吗？

Thanks.

scikit-learn 提供校准分类器CV http://scikit-learn.org/stable/modules/generated/sklearn.calibration.CalibratedClassifierCV.html#sklearn.calibration.CalibratedClassifierCV它可以用来解决这个问题：它允许将概率输出添加到 LinearSVC 或任何其他实现 Decision_function 方法的分类器：

svm = LinearSVC()
clf = CalibratedClassifierCV(svm) 
clf.fit(X_train, y_train)
y_proba = clf.predict_proba(X_test)

用户指南很好section http://scikit-learn.org/stable/modules/calibration.html关于这一点。默认情况下，CalibrateClassifierCV+LinearSVC 将为您提供 Platt 缩放，但它还提供其他选项（等渗回归方法），并且不限于 SVM 分类器。