我想知道为什么如果我使用或不使用概率预测libSVM会给出不同的准确度结果，我在this page找到了一个常见问题解答
Q: Why using svm-predict -b 0 and -b 1 gives different accuracy values?
Let's just consider two-class classification here. After
probability information is obtained in training, we do not have
prob > = 0.5 if and only if decision value >= 0.
So predictions may be different with -b 0 and 1.
我阅读并重读了十几次，但仍然不理解。有人能更清楚地解释一下吗？
答案 0 :(得分：3)
“正常”SVM模型计算每个给定数据点的决策值，其基本上是所述点与分离超平面的距离。超平面一侧的所有内容（dec_value＆gt; = 0）预测为A类，另一侧的所有内容（dec_value＆lt; 0）预测为B类。
如果您现在计算类概率，可能会有一个点的决策值为（例如）0.1，这将使其成为A类。但A类的概率计算可能为45％，B类的概率计算为55％ ，因此算法现在将其预测为B.
计算所述类概率的可能算法在their paper，第8节中描述。
有问题的句子
在训练中获得概率信息后，我们没有 概述＆gt;当且仅当判定值> = 0时，= 0.5。 因此，预测可能与-b 0和1不同。
基本上说“决定值＆gt; = 0并不意味着probA＆gt; probB，反之亦然。
答案 1 :(得分：0)
我认为这是因为概率是使用交叉验证（at least in python计算的，但因为它使用了超出场景的libSvm它可能会回答你的问题）。
此外，在文档中，他们指出这种交叉验证操作可能会产生与分数不一致的概率估计。
毋庸置疑，Platt缩放中涉及的交叉验证对于大型数据集来说是一项昂贵的操作。此外，概率估计可能与分数不一致，因为分数的“argmax”可能不是概率的argmax