本文共 1805 字，大约阅读时间需要 6 分钟。

1、当训练的代码是clf = SVC(probability=False)，那么predict_proba函数不可用的；提示如下：AttributeError: predict_proba is not available when  probability=False；

参数解释：probability 

布尔类型，可选，默认为False  决定是否启用概率估计。需要在训练fit()模型时加上这个参数，之后才能用相关的方法：predict_proba和predict_log_proba

2、可以使用scores函数获得得分，得分为准确率；

#coding=utf-8

import pandas as pdimport xlrdimport osimport matplotlib.pyplot as pltimport numpy as npfrom sklearn.svm import SVCX = np.array([[-1,-1],[-2,-1],[1,1],[2,1],[-1,1],[-1,2],[1,-1],[1,-2]])y = np.array([0,0,1,1,2,2,3,3])# y=np.array([1,1,2,2,3,3,4,4])# clf = SVC(decision_function_shape="ovr",probability=True)clf = SVC(probability=True)

#clf = SVC(probability=False)clf.fit(X, y)print(clf.decision_function(X))'''对于n分类，会有n个分类器，然后，任意两个分类器都可以算出一个分类界面，这样，用decision_function()时，对于任意一个样例，就会有n*(n-1)/2个值。任意两个分类器可以算出一个分类界面，然后这个值就是距离分类界面的距离。我想，这个函数是为了统计画图，对于二分类时最明显，用来统计每个点离超平面有多远，为了在空间中直观的表示数据以及画超平面还有间隔平面等。decision_function_shape="ovr"时是4个值，为ovo时是6个值。'''print(clf.predict(X))print(clf.predict_proba(X)) #这个是得分,每个分类器的得分，取最大得分对应的类。print(clf.score(X,y))#画图plot_step=0.02x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1xx, yy = np.meshgrid(np.arange(x_min, x_max, plot_step),                     np.arange(y_min, y_max, plot_step))Z = clf.predict(np.c_[xx.ravel(), yy.ravel()]) #对坐标风格上的点进行预测，来画分界面。其实最终看到的类的分界线就是分界面的边界线。Z = Z.reshape(xx.shape)cs = plt.contourf(xx, yy, Z, cmap=plt.cm.Paired)plt.axis("tight")class_names="ABCD"plot_colors="rybg"for i, n, c in zip(range(4), class_names, plot_colors):    idx = np.where(y == i) #i为0或者1，两个类    plt.scatter(X[idx, 0], X[idx, 1],                c=c, cmap=plt.cm.Paired,                label="Class %s" % n)plt.xlim(x_min, x_max)plt.ylim(y_min, y_max)plt.legend(loc='upper right')plt.xlabel('x')plt.ylabel('y')plt.title('Decision Boundary')plt.show()