Я пытаюсь понять, как MLP Classifier sklearn
извлекает его результаты для своей predict_proba
функции.
На сайте просто перечислено:
Вероятностные оценки
Хотя многие другие, такие как логистическая регрессия, есть более подробные ответы: Вероятностные оценки.
Возвращенные оценки для всех классов упорядочены по метке классов.
Для задачи multi_class, если multi_class установлен как «мультиномиальный», функция softmax используется для нахождения прогнозируемой вероятности каждого класса. В противном случае используйте подход «один против остальных», то есть рассчитайте вероятность каждого класса, предполагая, что она положительна, с помощью логистической функции. и нормализовать эти значения по всем классам.
Другие типы моделей также имеют более подробную информацию. Возьмем, к примеру, классификатор машинных векторов поддержки
И есть также этот очень хороший пост о переполнении стека который объясняет это подробно.
Вычислите вероятности возможных результатов для образцов в X.
Модель должна иметь информацию о вероятности, вычисленную во время обучения: соответствие с вероятностью атрибута, установленной на True.
Другие примеры
Предскажите вероятности классов для X.
Прогнозируемые вероятности классов входной выборки вычисляются как средние предсказанные вероятности классов деревьев в лесу. Вероятность класса одного дерева - это доля образцов одного и того же класса в листе.
Гауссовский классификатор процессов:
Я хочу понять то же, что и в предыдущем сообщении, но для MLPClassifier
. Как MLPClassifier
работает внутри?