Как преобразовать вероятности класса SVM в логиты? - PullRequest
Новая
       56

Как преобразовать вероятности класса SVM в логиты?

0 голосов
/ 16 сентября 2018

Я хотел бы преобразовать классы вероятности, выводимые SVM, в логиты.

Чтобы получить вероятность каждого класса 

model = svm.SVC(probability=True)
model.fit(X, Y)
results = model.predict_proba(test_data)[0]
# gets a dictionary of {'class_name': probability}
prob_per_class_dictionary = dict(zip(model.classes_, results))
# gets a list of ['most_probable_class', 'second_most_probable_class', ..., 'least_class']
results_ordered_by_probability = map(lambda x: x[0], sorted(zip(model.classes_, results), key=lambda x: x[1], reverse=True))

Что я хочу сделать с этими вероятностями?

Преобразование вероятностей в логиты.

Почему?

Я хотел бы объединить результаты SVM с результатами нейронной сети. Такова потеря нейронной сети с выходом логитов. Как следствие, я ищу способ преобразования вероятностей, выводимых SVM, в логиты, а затем объединять логики нейронной сети с логинами SVM с использованием равных весов: 

SVM logits + neural network logits = overal_logits

overal_probabilities= softmax(overal_logits)

РЕДАКТИРОВАТЬ:

Это эквивалентно сумме логитов, а затем получить вероятности для суммирования непосредственно по вероятностям, деленным на 2? 

proba_nn_class_1=[0.8,0.002,0.1,...,0.00002]

proba_SVM_class_1=[0.6,0.1,0.21,...,0.000003]

overall_proba=[(0.8+0.6)/2,(0.002+0.1)/2,(0.1+0.21)/2,..., (0.00002+0.000003)/2 ]

Является ли этот процесс численно эквивалентным логитам сумм SVM и NN, а затем получить вероятности с помощью softmax?

Спасибо

1 Ответ

0 голосов
/ 16 сентября 2018 
def probs_to_logits(probs, is_binary=False):
    r"""
    Converts a tensor of probabilities into logits. For the binary case,
    this denotes the probability of occurrence of the event indexed by `1`.
    For the multi-dimensional case, the values along the last dimension
    denote the probabilities of occurrence of each of the events.
    """
    ps_clamped = clamp_probs(probs)
    if is_binary:
        return torch.log(ps_clamped) - torch.log1p(-ps_clamped)
    return torch.log(ps_clamped)

def clamp_probs(probs):
    eps = _finfo(probs).eps
    return probs.clamp(min=eps, max=1 - eps)

С https://github.com/pytorch/pytorch/blob/master/torch/distributions/utils.py#L107

...