predict_proba 返回二维数组，每行对应一个样本，每列对应一个类别（按 classes_ 顺序），二分类为 (n_samples, 2)，多分类为 (n_samples, n_classes)，每行概率和为1。

predict_proba 返回什么结构？

predictproba 不是返回单个概率值，而是返回一个二维数组，每行对应一个样本，每列对应一个类别（按 classes 属性顺序排列）。对二分类任务，输出形状是 (n_samples, 2)，第二列才是正类概率；多分类则是 (n_samples, n_classes)。

• 如果模型没实现该方法（如 SVC 默认不支持），会抛出 AttributeError: 'SVC' object has no attribute 'predict_proba'
• 调用前务必确认模型已拟合（fit 过），否则会报 NotFittedError
• 输出是浮点数数组，不是字典或 Pandas DataFrame，后续需手动对齐类别名

哪些模型默认支持 predict_proba？

支持 predict_proba 的常见模型有：LogisticRegression、RandomForestClassifier、GradientBoostingClassifier、GaussianNB。不支持的包括原生 SVC 和 LinearSVC。

• 对 SVC，需显式设置 probability=True 并重新训练，否则方法不存在
• LinearSVC 本身不提供概率估计，得换用 CalibratedClassifierCV 包装
• DecisionTreeClassifier 支持，但概率基于叶节点内样本比例，小数据集下可能过拟合导致概率失真

predict_proba 和 decision_function 有什么区别？

decision_function 输出的是“决策得分”，不是概率；它适用于所有支持硬分类的模型（如 SVC、LogisticRegression），但需额外校准才能转为概率。

macOS UI 自动化技能包 —— 用 Python 控制你的 Mac

让 macOS 自动化像说话一样简单 —— 用代码控制你的 Mac，无需学习 AppleScript 系统要求 macOS 14+ (Sonoma) Python 3.9+ 需要开启：辅助功能 + 屏幕录制权限

下载

• LogisticRegression 的 decision_function 输出是 logit 值，经 sigmoid 后等于 predict_proba 第二列
• SVC 的 decision_function 输出是到超平面的距离，符号决定分类，绝对值不反映置信度
• 若只需排序或阈值调优，用 decision_function 更快；若需解释性概率（如风控评分、A/B 测试置信区间），必须用 predict_proba

实际调用时容易漏掉的关键检查

• 检查模型是否真的支持：运行 hasattr(clf, 'predict_proba')，别只看文档
• 确保输入 X 形状匹配训练时的特征数，否则报 ValueError: X has 5 features per sample; expecting 4
• 多分类场景下，注意 predictproba 输出列顺序与 clf.classes 严格一致，别靠“常识”假设索引 0 是正类
• 概率总和恒为 1（每行），但单个值可能接近 0 或 1——这不是 bug，是模型置信度体现；若大量出现 0.9999，要怀疑标签泄露或过拟合

概率预测不是“开关式”功能，它依赖模型内在机制和训练配置。最常出问题的地方，其实是忘了 SVC 要开 probability=True，或者把 decision_function 的输出直接当概率用了。

Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！