scikit-learn - sklearn : AUC score for LinearSVC and OneSVM

Question

SVM 分类器 ( SVC ) 的一种选择是 probability默认情况下是假的。文档没有说明它的作用。看着 libsvm源代码，它似乎做了某种交叉验证。
LinearSVC 不存在此选项也不是 OneSVM .

我需要计算几个 SVM 模型的 AUC 分数，包括最后两个。我应该使用 decision_function(X) 计算 AUC 分数吗？作为阈值？

Answer 1

回答我自己的问题。

首先，您需要概率来绘制 ROC 曲线是一个常见的“神话”。不，您的模型中需要某种可以更改的阈值。然后通过改变这个阈值来绘制 ROC 曲线。当然，ROC 曲线的重点是通过查看模型对观察的排序情况来查看模型再现假设的情况。

在 SVM 的情况下，我看到人们为他们绘制 ROC 曲线的方式有两种:

使用到决策边界的距离，正如我在我自己的问题中提到的

在 SVM 中使用偏差项作为阈值:http://researchgate.net/post/How_can_I_plot_determine_ROC_AUC_for_SVM .其实如果你用SVC(probabilities=True)然后将通过使用 CV 以这种方式为您计算概率，然后您可以使用它来绘制 ROC 曲线。但正如我提供的链接中提到的，如果通过改变偏差直接绘制 ROC 曲线，速度会快得多。

如果我们使用线性内核，我认为 #2 与 #1 相同，就像在我自己​​的情况下一样，因为在这种特殊情况下，改变偏差会改变距离。