回归与分类器 predict_proba
Regression vs Classifier predict_proba
只是一个简单的问题，如果我想 class 化对象为 0 或 1，但我希望模型 return 我有一个 'likeliness' 概率，例如如果object 是 0.7，这意味着它有 0.7 的机会进入 class 1，我是做回归还是坚持使用 classifiers 并使用 predict_proba 函数？
回归和 predict_proba 函数有何不同？
非常感谢任何帮助！
谢谢！
一般来说，对于定性问题，即在类别之间class化或class，我们更喜欢class化。
for example: to identify if it is night or day.
对于定量问题，我们更喜欢回归来解决问题。
for example: to identify if its 0th class or 1st class.
但在特殊情况下，当我们只有两个class时。然后，我们可以同时使用 class 化和回归来解决两个 class 问题，就像您的情况一样。
请注意，这个解释是代表二-class的观点或多-class的问题。虽然回归是处理真正的量化问题而不是 classes.
概率与方法无关。每种方法都推导出一个概率，并在此基础上预测结果。
It is better if you explain the reference to predict_proba from your
question.
希望对您有所帮助！
既然你提到了 predict_proba 函数，我假设你指的是 scikit-learn API。
要获得class-成员概率，这是正确的功能。在逻辑回归的情况下，这个函数在某种程度上是自然输出。
您还应该检查 probability calibration
只是一个简单的问题，如果我想 class 化对象为 0 或 1，但我希望模型 return 我有一个 'likeliness' 概率，例如如果object 是 0.7，这意味着它有 0.7 的机会进入 class 1，我是做回归还是坚持使用 classifiers 并使用 predict_proba 函数？
回归和 predict_proba 函数有何不同？
非常感谢任何帮助！
谢谢！
一般来说，对于定性问题，即在类别之间class化或class，我们更喜欢class化。
for example: to identify if it is night or day.
对于定量问题，我们更喜欢回归来解决问题。
for example: to identify if its 0th class or 1st class.
但在特殊情况下，当我们只有两个class时。然后，我们可以同时使用 class 化和回归来解决两个 class 问题，就像您的情况一样。
请注意，这个解释是代表二-class的观点或多-class的问题。虽然回归是处理真正的量化问题而不是 classes.
概率与方法无关。每种方法都推导出一个概率，并在此基础上预测结果。
It is better if you explain the reference to
predict_probafrom your question.
希望对您有所帮助！
既然你提到了 predict_proba 函数，我假设你指的是 scikit-learn API。
要获得class-成员概率，这是正确的功能。在逻辑回归的情况下，这个函数在某种程度上是自然输出。
您还应该检查 probability calibration