predict_proba方法并非所有scikit-learn分类器都支持：svc需设probability=true才可用；未调用fit会报notfittederror；linearsvc不支持，sgdclassifier需loss='log_loss'；返回shape为(n_samples, n_classes)，列序对应classes_。
predict_proba 方法不存在于某些模型类中
不是所有 scikit-learn 分类器都实现 predict_proba。比如 SVC（默认 kernel='rbf'）就不带该方法，直接调用会抛出 AttributeError: 'SVC' object has no attribute 'predict_proba'。这是因为 SVC 默认不启用概率校准，它输出的是决策函数值（decision_function），而非概率。
解决办法是显式启用概率估计：
- 初始化时传入
probability=True：例如SVC(probability=True) - 注意：启用后训练变慢（内部多做一次交叉验证），且预测也略慢
- 训练完必须调用
fit()才能使用predict_proba，未拟合对象调用会报NotFittedError
模型未正确拟合就调用 predict_proba
predict_proba 是 fitted estimator 的实例方法，未调用 fit(X, y) 就直接用，会触发 sklearn.exceptions.NotFittedError。常见于复制粘贴代码时漏掉训练步骤，或在 pipeline 中误将未 fit 的中间步骤暴露出来。
检查方式很简单：
- 打印模型对象，已拟合的通常显示类似
SVC(probability=True, ...)后带一堆参数值；未拟合则只显示初始化参数 - 用
hasattr(clf, 'classes_')判断——绝大多数分类器拟合后都会设置classes_属性 - Jupyter 中可补一句
assert hasattr(clf, 'classes_'), "Model not fitted"快速拦截
使用了不支持概率输出的模型变体
有些模型有多个实现路径，但只有特定配置才支持概率。例如：
-
LinearSVC从不提供predict_proba（它没概率接口），得换用LogisticRegression或给LinearSVC包一层CalibratedClassifierCV -
SGDClassifier需设loss='log_loss'（旧版用loss='log'）才能有predict_proba；若用了'hinge'，则只能用decision_function -
RandomForestClassifier和XGBClassifier默认支持，但XGBClassifier若用objective='binary:hinge'就不返回概率
predict_proba 返回结果维度与预期不符
容易忽略的是：即使调用成功，返回的 shape 也可能不符合下游使用预期。例如二分类时，predict_proba 默认返回 shape 为 (n_samples, 2) 的数组，第二列才是正类概率。如果直接取 [:, 1] 做阈值判断没问题，但若误用 [:, 0] 就全反了。
更隐蔽的问题：
- 多分类时，列顺序严格对应
clf.classes_的顺序，不是按标签字符串字典序 - 如果训练时
y是字符串（如['cat', 'dog']），classes_[0]是 'cat'，那predict_proba(X)[:, 0]就是 cat 的概率 - 用
clf.predict(X)和clf.predict_proba(X).max(axis=1)对不上？可能是类别不平衡导致阈值偏移，不是方法本身问题
实际部署时，建议始终用 np.argmax(clf.predict_proba(X), axis=1) 和 clf.predict(X) 对齐校验一次，避免隐性错位。
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！
