我在使用Libsvm进行异常检测（通过Java），但我需要的是概率估计，而不仅仅是标签。我追踪了代码，发现这并不可行。特别是在函数svm_predict_values(..)中，我看到了以下代码：

if(model.param.svm_type == svm_parameter.ONE_CLASS)        return (sum>0)?1:-1;else        return sum;

我理解一类支持向量机试图根据“正常”类的样本或数据点来估计某个概率分布的支持。给定一个新的数据点，并且假设模型已经学会了正常类分布的支持，我能否得到一个新的数据点是“正常”还是异常的概率估计？似乎这是不可能的，这就是为什么Libsvm会对上述总和进行阈值处理并仅返回一个成员标签，但我不知道为什么。如果可以从一类支持向量机中获得概率估计，我在花了很多时间阅读代码后，并不明白如何在Libsvm中实现这一点。

我选择这条路的原因是我认为在高维设置中，核密度估计可能不会很好地工作，但也许支持向量机也会面临同样的问题。

回答：

我理解一类支持向量机试图根据“正常”类的样本或数据点来估计某个概率分布的支持

问题是这句话对于支持向量机来说是错误的。一般来说，是的，这将是一种构建分类器的不错的概率方法，被逻辑回归、神经网络和许多其他模型所采用。然而，支持向量机并不属于这一类，它没有适当的概率解释，它并不真正构建概率分布，而是直接寻找一个好的决策规则。有更多概率替代方案，如相关向量机（RVM），然而，它们是非凸的。唯一的原因是二元支持向量机可以为您提供概率估计，是因为在许多实现中有一个小的“作弊”，由Platt首创，您只需在支持向量机之上拟合另一个概率模型 – 通常是在支持向量机投影之上进行逻辑回归。

那么，您能做什么呢？您可以选择其他更具概率性的模型，或者使用类似的“作弊”方法，先通过支持向量机投影您的数据（这就是代码中提供的“sum”），然后在其上拟合逻辑回归，这将是您的概率估计。