具有预测概率的概率校准＆amp; python

Question

我正在阅读两天的校准方法，但实际上并没有说它是如何工作的。有两种类型的校准;

1. Platt缩放 - 预测空间分为二进制位和＆amp;对于每个区域，平均预测值对阳性病例的真实分数作图

2. 等渗回归 - 数学上它试图通过二次规划拟合加权最小二乘，但相对于先前的观察，下一次观察总是不减少。

我已根据逻辑回归编写了一个基于逻辑回归的python模块（虽然我知道LogisticRegression默认返回校准良好的预测，因为它直接优化了对数丢失，我构建它以检查我的理解）

import numpy as np
import pandas as pd
from sklearn import linear_model
from sklearn.calibration import CalibratedClassifierCV
from sklearn.model_selection import train_test_split
from sklearn.metrics import log_loss
from pandas import DataFrame


class logistic_Calibration:
    def __init__(self, data, response):
        self.data = data
        self.response = response

    def Calibration(self):
        Xtrain, Xtest, ytrain, ytest = train_test_split(self.data, self.response, test_size=0.20, random_state=36)
        logreg = linear_model.LogisticRegression()
        logreg.fit(Xtrain, np.array(ytrain).flatten())
        PredWO_calibration = logreg.predict_proba(Xtest)
        lossWO_calibration = log_loss(ytest, PredWO_calibration)
        clf_sigmoid = CalibratedClassifierCV(logreg, cv=5, method='sigmoid')
        clf_sigmoid.fit(Xtrain, np.array(ytrain).flatten())
        PredWITH_calibration = clf_sigmoid.predict_proba(Xtest)
        lossWITH_calibration = log_loss(ytest, PredWITH_calibration)
        Loss_difference_WO_minus_W = lossWO_calibration - lossWITH_calibration
        return [lossWO_calibration, lossWITH_calibration, Loss_difference_WO_minus_W]

但我仍然不清楚以下几个部分，

• 等渗回归如何将得分映射到概率？
• Platt缩放对于实时数据不起作用，因为我们没有分配任何类，这意味着无法计算Brier分数。如果在拟合模型之后，我已经预测了概率＆amp;关于训练数据的实际结果，我如何仅使用这两个输入来使用校准来为测试数据分配类？这是我想知道的最重要的部分。

请指导。