模型预测结果校准——Platt Scaling

方法简介：

Platt scaling is a method for transforming SVM outputs from

 to posterior probabilities (Platt, 1999). [1]

Platt (1999) proposed transforming SVM predictions to posterior probabilities by passing them through a sigmoid.

Platt scaling是一种参数化方法（The parametric approach）， 使用LR模型（sigmoid函数）对模型的输出值进行拟合，将模型的原始输出值映射为概率值，区间（0，1）。假设f(x)为模型的输出值，

上式中的参数A，B通过在训练集（fi,yi）上进行最大似然估计获取。

适用情况：

Platt Scaling is most effective when the distortion in the predicted probabilities is sigmoid-shaped.

Platt scaling适用于模型输出的概率是S型的，this method may lead to poor calibration when the outputs do not fit the sigmoid function；

适用于样本量少的情形;

适用于SVM，boosting等算法的结果的校正。

参考文献：

[1] Alexandru Niculescu-Mizil, et al. Predicting Good Probabilities With Supervised Learning. ICML2005.

[2]vividfree的博客<使用 Isotonic Regression 校准分类器>

 http://vividfree.github.io/机器学习/2015/12/21/classifier-calibration-with-isotonic-regression