我正在尝试使用 SVM 来训练一些图像模型。然而 SVM 不是概率框架，因此它输出超平面之间的距离作为一个整数。
Platt通过使用一些优化函数将 SVM 的输出转换为似然，但我不明白，如果所有训练集都是偶数且成比例的，该方法是否假设一个类具有相同的概率 I.E 对于二元分类器，那么对于标签 1 或 -1 它发生每次都有 50% 的概率。
其次，在一些论文中，我读到对于二进制 SVM 分类器，它们将 -1 和 1 标签转换为 0 到 1 的范围并计算似然。但是他们没有提到如何将 SVM 距离转换为概率。
对不起我的英语。我欢迎任何建议和评论。谢谢。 link to paper
最佳答案
据我所知，这篇论文提出了使用 sigmoid 函数从 SVM 输出到 [0,1] 范围的映射。
从简化的角度来看，它类似于 [0,1] 中的 Sigmoid(RAWSVM(X))，因此标签没有明确的“权重”。这个想法是，你取一个标签(假设 Y=+1)，然后你取 SVM 的输出，看看该模式的预测与该标签有多接近，如果接近，则 sigmoid 会给你一个接近 1 的数字，否则会给你一个接近 0 的数字。因此你有一种概率感。
Secondly, in some papers I read that for binary SVM classifier they convert -1 and 1 label to range of 0 to 1 and compute the likelihood. But they do not mention anything about how to convert the SVM distance to probability.
是的，你是对的，有些实现在 [0,1] 的范围内工作，而不是 [-1,+1]，有些甚至根据 C 的值将标签映射到一个因子。无论如何，这不应该影响论文中提出的方法，因为它们会将任何范围映射到 [0,1]。请记住，这种“概率”分布只是假设均匀性从任何范围到 [0,1] 的映射。我过于简单化了，但效果是一样的。
最后一件事，sigmoid 映射不是静态的，而是数据驱动的，这意味着会有一些训练使用数据集来参数化 sigmoid 以将其调整为数据。换句话说，对于两个不同的数据集，您可能会得到两个不同的映射函数。
关于image - 将 SVM 超平面距离(响应)转换为似然，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/22504307/