我正在使用scikit中的linearsvm训练我的数据集。我可以计算/获得样本在给定标签下分类的概率吗？
例如，使用SGDClassifier(loss="log")来拟合数据，启用了predict_proba方法，该方法为每个样本x:提供概率估计向量P(y|x)
>>> clf = SGDClassifier(loss="log").fit(X, y)
>>> clf.predict_proba([[1., 1.]])
输出：
array([[ 0.0000005, 0.9999995]])
在使用svm.LinearSVC（多类分类）时，有没有类似的函数可以用来计算预测概率。我知道在这种情况下有一种方法decision_function来预测样本的置信度得分。但是，有没有什么方法可以使用这个决策函数来计算样本的概率估计？
否，LinearSVC不会计算概率，因为它没有经过训练。请使用sklearn.linear_model.LogisticRegression，它使用与LinearSVC相同的算法，但会丢失日志。它使用概率估计的标准逻辑函数：
1. / (1 + exp(-decision_function(X)))
（出于同样的原因，SGDClassifier将只在loss="log"时输出概率，而不使用其默认损失函数，这会使其学习线性SVM。）
多类分类是一种"一对所有"的分类。对于SGDClassifier，当返回到与特定类别对应的超平面的距离时，概率计算为
clip(decision_function(X), -1, 1) + 1) / 2
有关详细信息，请参阅代码。
你可以实现类似的功能，对我来说，LinearSVC似乎是合理的，尽管这可能需要一些理由。参考文件中提到的文件
Zadrozny和Elkan，"将分类器得分转化为多类概率估计"，SIGKDD'02，http://www.research.ibm.com/people/z/zadrozny/kdd2002-Transf.pdf
附言：来自"LinearSVC是否存在‘predict_proba’？"的评论：
如果你想要概率，你应该使用逻辑回归或SVC。两者都可以预测问题，但方式截然不同。