由于某种原因，在给定相同输入的情况下，带有svc的GridSearchCV产生的概率较小。在我下面发布的样本中，差异很小，但在其他问题上，我的差异要大得多。在每次输入相同的情况下，GridSearch不应该产生相同的结果吗？
还参见另一用户先前的问题，predict_proba或decision_function as estimator"；信心；它解决了逻辑回归的相同问题，但结果是一个错误——也许这也是？或者GridSearchCV使用随机种子？这个演示问题中的差异并不太大，但我还有其他更复杂的问题，其中概率差异足以预测二进制状态的另一面。
from sklearn import svm, grid_search, datasets
iris = datasets.load_iris()
parameters = {'kernel':('linear', 'rbf'), 'C':[1, 10]}
svr = svm.SVC(probability=True)
clf = grid_search.GridSearchCV(svr, parameters)
clf.fit(iris.data, iris.target)
clf.predict_proba(iris.data)
array([[ 9.75883684e-01, 1.55259588e-02, 8.59035759e-03],
[ 9.61565216e-01, 2.74888948e-02, 1.09458891e-02],
[ 9.74605121e-01, 1.68928925e-02, 8.50198656e-03],
[ 9.58212635e-01, 2.97479036e-02, 1.20394616e-02],
....
当我再次运行完全相同的代码时，我得到：
array([[ 9.76047242e-01, 1.54138902e-02, 8.53886802e-03],
[ 9.61893348e-01, 2.72510317e-02, 1.08556202e-02],
[ 9.74780630e-01, 1.67675046e-02, 8.45186573e-03],
[ 9.58586150e-01, 2.94842759e-02, 1.19295743e-02],'
我可以一次又一次地跑，得到更多不同的结果。
这对svc上的GridSearchCV来说是正常的吗，还是我做错了什么，或者这是一个错误？
我正在使用scikit学习。14.1。
谢谢。
SVM不支持概率。解决这一问题的技巧是对每个数据点到SVM决策边界的裕度距离进行逻辑回归。如果我们直接这样做，可能会因为所有支持向量的距离都是+-1而出现一些问题。为了避免这种偏差，创建了3个折叠，并进行了类似CV的程序，以一次获得1/3数据的裕度值（对另2/3数据进行训练）。然后对这些值进行逻辑回归，并对整个数据集进行SVM再训练。这被称为Platt缩放。CV部分是随机性的来源。
我有一篇文章，里面有一些2D的例子和更多的解释。