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，如果所有训练集均匀且成比例，该方法是否假设一个类对二进制分类器具有相同的概率IE，那么对于标签1或-1，它每次都以50％的概率发生。
其次，在一些论文中我读到，对于二进制SVM分类器，他们将-1和1标签转换为0到1的范围并计算可能性。但是他们没有提到任何关于如何将SVM距离转换为概率的内容。
抱歉我的英文。我欢迎任何建议和评论。谢谢。 link to paper
答案 0 :(得分：2)
据我所知，该论文提出了使用sigmoid函数从SVM输出到[0,1]范围的映射。
从简化的角度来看，它会像[0,1]中的Sigmoid（RAWSVM（X）），因此标签没有明确的“权重”。这个想法是你拿一个标签（假设Y = + 1）然后你拿出SVM的输出，看看该模式对该标签的预测有多接近，如果它接近那么sigmoid会给你一个数字接近1，否则会给你一个接近0的数字。因此你有一种概率感。
其次，在一些论文中我读到，对于二进制SVM分类器，他们将-1和1标签转换为0到1的范围并计算可能性。但是他们没有提到任何关于如何将SVM距离转换为概率的内容。
是的，你是正确的，一些实现在[0,1]而不是[-1，+ 1]的范围内工作，有些甚至将标签映射到一个因子，取决于C的值。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”分布只是从任何范围到[0,1]的映射，假设均匀性。我过于简单化了，但效果是一样的。
最后一点，sigmoid地图不是静态的，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，您可能会获得两个不同的映射函数。