python中预测概率与实际结果的概率校准

Question

我读了两天的校准方法，但并没有真正做到这一点。有两种类型的校准

1. 将每个预测值的预测值与预测值的平均值（p）绘制成正数

2. 等张回归-从数学上讲，它试图通过二次规划来拟合加权最小二乘法，下一个观测值相对于前一个观测值总是非递减的。

我编写了一个基于logistic回归的python模块（虽然我知道LogisticRegression默认情况下返回经过良好校准的预测，因为它直接优化了日志丢失，我构建它是为了检查我的理解）

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点

• 等张回归如何将分数映射到概率？在
• Platt标度不适用于实时数据，因为我们没有分配任何类，这意味着不能计算Brier分数。如果在拟合一个模型之后，我已经预测了训练数据的概率和实际结果，那么我如何使用仅使用这两个输入的校准来为测试数据分配类？这是我想知道的最重要的部分。在

请引导。在