python - 无法理解 sklearn 的 SVM 的 predict_proba 函数

Question

我在理解 sklearn 的函数时遇到了问题，希望得到一些说明。起初我以为 sklearn 的 SVM 的 predict_proba 函数给出了分类器预测的置信度，但是在我的情绪识别程序中使用它之后，我开始形成怀疑，觉得我误解了 predict_proba 函数的用途和方式成功了。

例如，我的代码设置如下:

# Just finished training and now is splitting data (cross validation)
# and will give an accuracy after testing the accuracy of the test data

features_train, features_test, labels_train, labels_test = cross_validation.train_test_split(main, target, test_size = 0.4)

model = SVC(probability=True)
model.fit(features_train, labels_train)
pred = model.predict(features_test)

accuracy = accuracy_score(labels_test, pred)
print accuracy

# Code that records video of 17 frames and forms matrix know as
# sub_main with features that would be fed into SVM

# Few lines of code later. . .  

model.predict(sub_main)
prob = model.predict_proba(sub_main)

prob_s = np.around(prob, decimals=5)
prob_s = prob_s* 100
pred = model.predict(sub_main)

print ''
print 'Prediction: '
print pred
print 'Probability: '
print 'Neutral: ', prob_s[0,0]
print 'Smiling: ', prob_s[0,1]
print 'Shocked: ', prob_s[0,2]
print 'Angry: ', prob_s[0,3]
print ''

当我测试它时，它给了我这样的东西:

Prediction: 
['Neutral']
Probability: 
Neutral:  66.084
Smiling:  17.875
Shocked:  11.883
Angry:  4.157

它设法有 66% 的置信度认为正确的分类是“中性”。 66 紧挨着“中立”，恰好是最高的数字。最高数字标有实际预测，对此我很高兴。

但最终最终。 . .

Prediction: 
['Angry']
Probability: 
Neutral:  99.309
Smiling:  0.16
Shocked:  0.511
Angry:  0.02

它做出了“愤怒”的预测(顺便说一句，这是正确的分类)，并在“中立”旁边分配了 99.3% 的置信度。尽管预测完全不同，但最高置信度(最高数字)被分配给中性。

有时它也这样做:

Prediction: 
['Smiling']
Probability: 
Neutral:  0.0
Smiling:  0.011
Shocked:  0.098
Angry:  99.891

Prediction: 
['Angry']
Probability: 
Neutral:  99.982
Smiling:  0.0
Shocked:  0.016
Angry:  0.001

我认为我不了解 SVM 的 predict_proba 函数是如何工作的，我想澄清一下它是如何工作的以及我的代码发生了什么。我的代码中发生了什么？

Answer 1

我不太了解 SVC 的工作原理，因此您可以考虑评论中所说的内容来完成此答案。

您必须考虑到 predic_proba 会按照字典顺序为您提供类别，因为它们出现在 classes_ 属性中。你在 the doc 中有这个.

当你想打印你的结果时，你必须考虑这一点。我们可以在您的示例中看到 Angry 位于第一个索引，因此除了第一个之外，您的结果都很好。

试试这个:

print 'Neutral: ', prob_s[0,1]
print 'Smiling: ', prob_s[0,3]
print 'Shocked: ', prob_s[0,2]
print 'Angry: ', prob_s[0,0]