calibratedclassifiercv 默认不暴露 predict_proba，除非基分类器支持概率或 decision_function 且 method（'sigmoid'/'isotonic'）被正确配置；需用 calibration_curve 验证校准效果，避免分布偏移导致右偏。
CalibratedClassifierCV 为什么不能直接调用 predict_proba
很多用户在用 CalibratedClassifierCV 后发现 predict_proba 返回全是 0 或 1，或者报 AttributeError: 'CalibratedClassifierCV' object has no attribute 'predict_proba'。根本原因是：它默认不暴露 predict_proba 接口，除非底层基分类器本身支持概率输出（比如 RandomForestClassifier），且你显式启用了校准策略。
真正起作用的是 method 参数——它决定用 Platt scaling（'sigmoid'）还是 isotonic regression（'isotonic'）做后处理。两者对数据分布敏感：'isotonic' 更灵活但容易过拟合小样本；'sigmoid' 假设线性决策边界，在 SVM 上效果更稳。
- 必须用支持
decision_function或predict_proba的基估计器，例如SVC(probability=False)可配'sigmoid'，但LinearSVC不行（没decision_function的二分类变体） - 校准过程默认用 CV 折叠训练多个模型再平均，若想省时间可设
cv='prefit'，但此时要求你提前用相同数据拟合好基分类器并传入 - 如果基分类器是
KNeighborsClassifier，它本身没predict_proba，必须用'isotonic'或'sigmoid'+cv!=None才能生成概率
如何正确构造并验证校准后的概率输出
最简可靠流程是：选一个天然不输出概率的模型（如 SVC），套上 CalibratedClassifierCV，再用 calibration_curve 检查可靠性。别跳过验证——校准不是万能的，尤其当测试分布偏移时，校准曲线会明显右偏。
示例中关键点：
- 用
make_classification(n_samples=1000, n_features=20, n_informative=10, random_state=42)生成可控数据，避免因噪声过大掩盖校准效果 -
CalibratedClassifierCV(base_estimator=SVC(), method='isotonic', cv=3)中cv=3比默认cv=None（即 5 折）更快，适合调试 - 调用
clf.fit(X_train, y_train).predict_proba(X_test)[:, 1]才拿到正类概率，注意索引[:, 1]——二分类下predict_proba返回 (n_samples, 2) 数组
常见报错和绕过方式
ValueError: The classifier does not expose 'predict_proba' or 'decision_function' 是最常遇到的错误。它不是说你代码写错了，而是基分类器根本不提供所需接口。
- 检查基分类器：运行
hasattr(svc, 'predict_proba')和hasattr(svc, 'decision_function')，SVC(probability=True)自带predict_proba，无需再套校准器 - 如果用
SGDClassifier，得手动加loss='log_loss'（旧版叫loss='log'）才能启用predict_proba，否则即使套了CalibratedClassifierCV也无效 - 多分类场景下，
'sigmoid'实际走 OvR（One-vs-Rest）逐个校准，而'isotonic'要求所有类别都有足够样本，否则某类概率可能坍缩为 0
校准后概率仍不准？先看这三处
校准器改善的是「概率数值的可靠性」，不是「分类准确率」。哪怕 AUC 很高，校准后概率也可能系统性偏高或偏低——这通常不是代码问题，而是数据或评估方式的问题。
- 测试集太小（calibration_curve 的分箱会失真，建议用
n_bins=5而非默认 10 - 标签噪声大：比如真实标签有 15% 错误率，再好的校准也无法让概率贴近 0.85，此时应先清洗标签或用鲁棒损失
- 用了
cv='prefit'但基模型是在全量训练集上拟合的：导致校准阶段没看到未见样本，泛化时概率发散
真正难处理的是分布偏移——训练时正负样本比 1:1，上线后变成 1:10，这时任何离线校准都救不了，得结合在线更新或域自适应方法。
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！
