SVM分类器（SVC）的一个选项是probability，默认情况下为false。文件中没有说明它的作用。查看libsvm源代码，它似乎进行了某种交叉验证。
LinearSVC和OneSVM都不存在此选项。
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)作为阈值来计算AUC得分吗？
回答我自己的问题。
首先，绘制ROC曲线需要概率，这是一个常见的"神话"。不，您需要在您的模型中设置某种可以更改的阈值。然后通过改变该阈值来绘制ROC曲线。当然，ROC曲线的点是，通过观察你的模型对观察结果的排序，来观察它在多大程度上复制了假设。
在支持向量机的情况下，我认为有两种方法可以帮助人们绘制ROC曲线：
- 正如我在自己的问题中提到的，使用与决策债券的距离
- 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.事实上，如果你使用
SVC(probabilities=True)，那么概率将以这种方式通过使用CV来计算，然后你可以使用CV来绘制ROC曲线。但正如我提供的链接中所提到的，如果通过改变偏差直接绘制ROC曲线，速度会快得多
我认为，如果我们使用线性核，#2和#1是一样的，就像在我自己的情况下一样，因为在这种特殊情况下，改变偏差就是改变距离。
为了使用sklearn计算AUC，您需要在分类器上使用predict_proba方法；这就是SVC上的probability参数的作用（使用交叉验证进行计算是正确的）。来自文档：
概率：布尔值，可选（默认值=False）
是否启用概率估计。这必须在调用fit之前启用，并且会减慢该方法的速度。
您不能直接使用决策函数来计算AUC，因为它不是概率。我想你可以缩放决策函数，取[0,1]范围内的值，并计算AUC，但我不确定这会有什么统计特性；你肯定无法用它来与使用概率计算的ROC进行比较。