我在尝试使用 scikit-learn 计算多类别数据集的概率。然而，出于某种原因，每个样本的概率结果都相同。有人知道这是怎么回事吗？这与我的模型、我对库的使用，还是其他方面有关？感谢任何帮助！
svm_model = svm.SVC(probability=True, kernel='rbf',C=1, decision_function_shape='ovr', gamma=0.001,verbose=100)svm_model.fit(train_X,train_y)preds= svm_model.predict_proba(test_X)train_X 看起来像这样
array([[2350, 5550, 2750.0, ..., 23478, 1, 3], [2500, 5500, 3095.5, ..., 23674, 0, 3], [3300, 6900, 3600.0, ..., 6529, 0, 3], ..., [2150, 6175, 2500.0, ..., 11209, 0, 3], [2095, 5395, 2595.4, ..., 10070, 0, 3], [1650, 2850, 2000.0, ..., 25463, 1, 3]], dtype=object)train_y 看起来像这样
0 11 210 2100 21000 210000 210001 210002 210003 210004 210005 210006 210007 210008 110009 11001 210010 2test_X 看起来像这样
array([[2190, 3937, 2200.5, ..., 24891, 1, 5], [2695, 7000, 2850.0, ..., 5491, 1, 4], [2950, 12000, 4039.5, ..., 22367, 0, 4], ..., [2850, 5200, 3000.0, ..., 15576, 1, 1], [3200, 16000, 4100.0, ..., 1320, 0, 3], [2100, 3750, 2400.0, ..., 6022, 0, 1]], dtype=object)我的结果看起来像
array([[ 0.07819139, 0.22727628, 0.69453233], [ 0.07819139, 0.22727628, 0.69453233], [ 0.07819139, 0.22727628, 0.69453233], ..., [ 0.07819139, 0.22727628, 0.69453233], [ 0.07819139, 0.22727628, 0.69453233], [ 0.07819139, 0.22727628, 0.69453233]])回答：
从预处理开始吧！
将数据标准化为零均值和单位方差是非常重要的。scikit-learn 的文档中提到这一点：
支持向量机算法不是尺度不变的，因此强烈建议对数据进行缩放。例如，将输入向量 X 的每个属性缩放到 [0,1] 或 [-1,+1]，或者标准化为均值为 0 且方差为 1。请注意，必须对测试向量应用相同的缩放以获得有意义的结果。有关缩放和归一化的更多详细信息，请参阅预处理数据部分
- scikit-learn 的预处理部分
- scikit-learn 的StandardScaler。
接下来的步骤是参数调整（C、gamma 等）。这通常通过网格搜索来完成。但我通常建议人们在尝试核 SVM 之前先尝试简单的线性 SVM（超参数更少，计算时间更短，对于非最优参数选择有更好的泛化能力）。
