python predict_proba_scikit-学习LogisticRegression.predict_proba的返回值 - python

最新推荐文章于 2024-12-17 19:26:09 发布

weixin_39572168

最新推荐文章于 2024-12-17 19:26:09 发布

阅读量1.4k

点赞数

文章标签： python predict_proba

本文探讨了在Python的scikit-learn库中，LogisticRegression模型的predict_proba函数的输出含义。内容解释了第一列实际上是负类(-1)的概率，而第二列是正类(+1)的概率，并提供了如何仅提取正类概率的代码示例。同时，文章提到了其他与scikit-learn相关的主题，如Kriging插值、KNeighborsClassifier的行为以及如何在不使用正则化的情况下执行逻辑回归。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

LogisticRegression.predict_proba函数究竟返回什么？

在我的示例中，我得到这样的结果:

[[ 4.65761066e-03 9.95342389e-01]

[ 9.75851270e-01 2.41487300e-02]

[ 9.99983374e-01 1.66258341e-05]]

根据其他计算，使用S形函数，我知道第二列是概率。 documentation说，第一列是n_samples，但是不能，因为我的示例是评论，是文本而不是数字。该文档还说，第二列是n_classes。那肯定不是，因为我只有两个类(即+1和-1)，并且该函数应该用于计算实际上属于某个类的样本的概率，而不是有关类本身的概率。

第一列到底是什么？为什么在那？

参考方案

4.65761066e-03 + 9.95342389e-01 = 1

9.75851270e-01 + 2.41487300e-02 = 1

9.99983374e-01 + 1.66258341e-05 = 1

第一列是条目具有-1标签的概率，第二列是条目具有+1标签的概率。请注意，类的顺序与self.classes_中的顺序相同。

如果您只想获取肯定标签的预测概率，则可以使用logistic_model.predict_proba(data)[:,1]。这将产生[9.95342389e-01, 2.41487300e-02, 1.66258341e-05]结果。

Python-scikit_learn中的克里金(高斯过程) - python

我正在考虑使用此方法对我拥有的3D点进行插值。作为输入，我在一个区域中的各个高度具有大气浓度的气体。我所获得的数据显示为垂直高度每隔几英尺延伸几十英尺，但水平分开数百英尺的值(因此，“列”紧密堆积)。假定在任何给定时间点，值在垂直方向上的变化比在水平方向上的变化大得多。我想在考虑到这一假设的情况下执行3D克里金法(作为我可以调整的参数，或者是经过统计定义的参…scik