我想对SVC分类器的概率输出进行网格搜索交叉验证。特别是，我想最小化负对数似然。从文档中看，GridSearchCV调用了传递给它的估计器的predict()方法，而SVC的predict()方法返回的是类别预测而不是概率（predict_proba()返回类别概率）。
1) 我是否需要子类化SVC并为其提供一个返回概率而不是类别的predict()方法来完成我的对数似然交叉验证？我猜我还需要编写自己的score_func或loss_func？
2) 在这个负对数似然上进行交叉验证是否愚蠢？我这样做是因为数据集是：a) 5:1的不平衡，b) 完全不可分，即即使是“最差”的观察也有> 50%的几率属于“好”类。（可能会将第二个问题也发布到统计问答网站上）
回答：
-
是的，你需要这样做，两方面都要考虑。
class ProbSVC(SVC): def predict(self, X): return super(ProbSVC, self).predict_proba(X) -
我不确定这是否可行，因为多数类别可能仍然主导对数似然分数，最终的估计器可能仍然会对少数类别的样本产生>.5的正值。不过，我不确定，所以请发布到统计学网站上。
