我无法理解sklearn中的函数，并希望得到一些澄清 . 起初我以为sklearn的SVM的predict_proba函数给出了分类器预测的置信水平，但是在用我的情感识别程序玩弄它之后，我开始形成疑惑并感觉我误解了使用以及predict_proba函数的方式工作 .
例如，我的代码设置如下：
# Just finished training and now is splitting data (cross validation)
# and will give an accuracy after testing the accuracy of the test data
features_train, features_test, labels_train, labels_test = cross_validation.train_test_split(main, target, test_size = 0.4)
model = SVC(probability=True)
model.fit(features_train, labels_train)
pred = model.predict(features_test)
accuracy = accuracy_score(labels_test, pred)
print accuracy
# Code that records video of 17 frames and forms matrix know as
# sub_main with features that would be fed into SVM
# Few lines of code later. . .
model.predict(sub_main)
prob = model.predict_proba(sub_main)
prob_s = np.around(prob, decimals=5)
prob_s = prob_s* 100
pred = model.predict(sub_main)
print ''
print 'Prediction: '
print pred
print 'Probability: '
print 'Neutral: ', prob_s[0,0]
print 'Smiling: ', prob_s[0,1]
print 'Shocked: ', prob_s[0,2]
print 'Angry: ', prob_s[0,3]
print ''
当我测试它时，它给了我这样的东西：
Prediction:
['Neutral']
Probability:
Neutral: 66.084
Smiling: 17.875
Shocked: 11.883
Angry: 4.157
它设法有66％的信心，正确的分类是“中性” . 66是旁边的“中性”，恰好是最高的数字 . 最高的数字标有实际预测，我很高兴 .
但最终最终 . . .
Prediction:
['Angry']
Probability:
Neutral: 99.309
Smiling: 0.16
Shocked: 0.511
Angry: 0.02
它做出了预测，“愤怒”（这是正确的分类btw），它在“中性”旁边分配了99.3％的置信水平 . 尽管预测完全不同，但最高置信水平（最高数字）被分配到中性 .
有时它也这样做：
Prediction:
['Smiling']
Probability:
Neutral: 0.0
Smiling: 0.011
Shocked: 0.098
Angry: 99.891
Prediction:
['Angry']
Probability:
Neutral: 99.982
Smiling: 0.0
Shocked: 0.016
Angry: 0.001
我不认为理解SVM的predict_proba函数是如何工作的，并希望澄清它的工作原理以及我的代码发生了什么 . 我的代码中发生了什么？
1 回答
我不太了解SVC的工作原理，因此您可以考虑在评论中说什么来完成这个答案 .
您必须考虑到predic_proba将按照它们出现在classes_属性中的字典顺序为您提供类别 . 你有这个在the doc .
当您想要打印结果时，您必须考虑这一点 . 我们可以在你的例子中看到，愤怒是第一个索引，所以你的结果除了第一个之外都是好的 .
试试这个 ：