使用svm分类器确定最不自信的分数

Question

我正在使用python中的svm classifier处理多标签分类问题。在训练之后，我想测试并获得算法最不自信的样本，即更接近决策边界的样本。我可以用sklearn决策函数(X(来预测样本的置信度得分。然而，如何确定哪一个最接近决策边界？那些值较低的？

我的代码在下面，所以代码：

clf=OneVsRestClassifier(svc)
clf.fit(X_train,y_train)
y_pred = clf.predict(X_test)
df=clf.decision_function(X_test)
print(df[0])
print(y_pred[0])

我得到以下输出：

[ 0.77338405  0.65244097 -0.73863779 -0.59712787 -0.78753861 
-0.91293626  0.0031544 ]
[1 1 0 0 0 0 1]

在这种情况下，算法对哪一类最不确定-0.59712787和0.0031544？

Answer 1

是。接近于零的值最接近决策边界。若它是负的，它在决策边界的左边，类似地，若它是正的，它是决策边界的右边。