【漫话机器学习系列】125.普拉托变换（Platt Scaling）

普拉托变换（Platt Scaling）详解

1. 什么是普拉托变换（Platt Scaling）？

普拉托变换（Platt Scaling）是一种用于二分类支持向量机（SVM）的后处理方法，它的作用是将 SVM 的输出分数转换为概率值。由于 SVM 本身并不直接输出概率，而是输出一个决策值（即 f(x)），因此我们需要使用某种方法将这个决策值映射到 [0,1] 范围的概率值。普拉托变换正是通过拟合一个 Sigmoid 函数 来完成这个任务。

2. 线性支持向量机的输出问题

在 SVM 训练完成后，它会为每个输入样本 x 计算一个 决策函数值 ：

这个值表示样本相对于决策边界的距离。一般来说：

• 如果 f(x) > 0，则分类为正类（ y = 1 ）。
• 如果 f(x) < 0，则分类为负类（ y = 0 ）。

但这个值只是一个距离，而不是概率。例如，f(x) = 2 和 f(x) = 100 都表示正类，但哪个更有可能是正类呢？这个问题就是 SVM 无法直接提供概率输出的原因。因此，我们需要一个方法将 SVM 的输出转换为概率。

3. 普拉托变换的基本思想

普拉托变换的核心思想是 使用 Sigmoid 函数拟合 SVM 的输出，使其变成概率 ：

其中：

• f(x) 是 SVM 计算得到的决策值（即得分）。
• A 和 B 是两个需要拟合的参数。

换句话说，我们希望通过训练找到 A 和 B ，使得 SVM 的输出 f(x) 能够很好地拟合样本的真实概率分布。

4. 如何训练 A 和 B？

训练 A 和 B 的过程如下：

1. 在数据集上训练 SVM ，获取所有样本的 得分 f(x) 及其真实类别 y。
2. 使用交叉验证 构建一个 逻辑回归模型 ，以 f(x) 为输入，y 为输出，拟合 Sigmoid 函数 的参数A 和 B。
3. 计算损失函数 ：

   • 普拉托变换使用 最大似然估计（MLE） 进行参数拟合。

   • 具体来说，最小化以下 交叉熵损失 ：

     

   • 这个公式与 逻辑回归的损失函数 一样，因此可以使用标准的优化方法（如梯度下降）来求解 A 和 B。

5. 为什么要使用普拉托变换？

普拉托变换是 SVM 最常用 的概率校准方法，原因如下：

• 简单高效 ：只需要额外训练一个小的逻辑回归模型（拟合 Sigmoid），计算开销较小。
• 适用于 SVM 及其他分类器 ：虽然最初是为 SVM 提出的，但 Platt Scaling 也可用于其他分类器（如神经网络、随机森林等）。
• 提高模型可解释性 ：许多应用（如医学、金融等）需要输出概率，而不仅仅是分类结果。

6. Platt Scaling 的局限性

尽管普拉托变换在很多场景下都能有效校准概率输出，但它也有一些局限：

1. 对样本不均衡较敏感 ：如果数据集的类别不均衡，拟合的 Sigmoid 可能会偏向多数类。
2. 假设数据符合 Sigmoid 分布 ：Platt Scaling 假设 SVM 输出的决策值可以用 Sigmoid 函数拟合，但在某些复杂分布下，可能效果不好。
3. 需要额外的数据 ：Platt Scaling 需要使用交叉验证数据来训练 A 和 B，这可能会浪费一部分训练数据。

如果数据集较大、类别不均衡或者 Sigmoid 拟合效果不好，通常可以考虑 Isotonic Regression（等温回归） 作为替代方法。

7. 代码实现（Python 示例）

在实际应用中，Scikit-learn 提供了 Platt Scaling 的实现，示例如下：

from sklearn.svm import SVC
from sklearn.calibration import CalibratedClassifierCV
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split

# 生成数据
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)

# 训练 SVM（不带概率）
svm = SVC(kernel='linear', probability=False)
svm.fit(X_train, y_train)

# 使用 Platt Scaling 校准概率
svm_calibrated = CalibratedClassifierCV(svm, method='sigmoid', cv=5)
svm_calibrated.fit(X_train, y_train)

# 预测概率
probabilities = svm_calibrated.predict_proba(X_test)

print("前 5 个样本的预测概率：")
print(probabilities[:5])

运行结果

前 5 个样本的预测概率：
[[0.39216467 0.60783533]
 [0.19236017 0.80763983]
 [0.51329367 0.48670633]
 [0.24076157 0.75923843]
 [0.0697871  0.9302129 ]]

8. 结论

普拉托变换（Platt Scaling）是一种 简单有效的概率校准方法 ，特别适用于 SVM 这种不直接输出概率的分类器。它通过 拟合 Sigmoid 函数 ，将分类得分映射到 [0,1] 范围，使得输出更具可解释性。

在实际应用中，我们可以：

• 在 需要概率输出的任务 （如医疗诊断、金融风控）中使用 Platt Scaling。
• 如果数据 类别不均衡 ，可以尝试 Isotonic Regression 作为替代方案。

希望这篇文章能够帮助你更好地理解 Platt Scaling 的原理和应用！