python中基于支持向量机的回归置信度

Question

我在python中使用回归支持向量机，我想知道是否有任何方法可以为它的预测获得一个“置信度”值。在

以前，当使用支持向量机进行二元分类时，我能够从“边距”计算出一个置信类型值。下面是一些伪代码，显示了如何获得置信值：

# Begin pseudo-code
import svm as svmlib

prob = svmlib.svm_problem(labels, data)
param = svmlib.svm_parameter(svm_type=svmlib.C_SVC, kernel_type = svmlib.RBF)
model = svmlib.svm_model(prob, param)

# get confidence
confidence = self.model.predict_values_raw(sample_to_classify)

我认为新样本离训练数据越远，置信度就越差，但我正在寻找一个函数，可以帮助计算出一个合理的估计值。在

我的（高层）问题如下：

• 我有一个函数F（x），其中x是高维向量
• F（x）可以计算，但速度很慢
• 我想训练一个回归支持向量机来近似它
• 如果我能找到预测置信度较低的'x'值，我可以加上这些点并重新训练（aka。主动学习）

以前有没有人获得/使用过回归支持向量机置信/边际值？在

Answer 1

看看一月份Stack上的类似响应。选择的答案是关于在非参数拟合方法上获得置信度是多么困难。可能有一些贝叶斯类型的事情可以做，但是对于pythonsvm库：Prefer one class in libsvm (python)，这可能是不可能的。在