Какая разница между функцией прогнозирования и решения в Sklearn (Python)?

Я изучаю пример scikit-learn (сравнение классификаторов) и запутался с predict_proba и decision_function.

Они описывают результаты классификации, рисуя контуры, используя либо Z = clf.decision_function(), либо Z = clf.predict_proba().

Каковы различия между этими двумя? Разве это так, что каждый метод классификации имеет один из двух показателей?

Какой из них более подходит для интерпретации результата классификации и как выбрать из двух?

Ответы

Ответ 1

Последний, predict_proba - это метод (мягкого) классификатора, выводящий вероятность того, что экземпляр находится в каждом из классов.

Первый, decision_function, находит расстояние до разделительной гиперплоскости. Например, классификатор (n) SVM находит гиперплоскости, разделяющие пространство на области, связанные с результатами классификации. Эта функция, заданная точкой, находит расстояние до разделителей.

Я бы предположил, что predict_prob более полезен в вашем случае, в общем - другой метод более специфичен для алгоритма.