Da quanto ho capito, gli SVM prendono un numero discreto di valori xey da cui imparare, quindi quando vengono assegnati nuovi valori x lo mappano su un valore y (categoria). È possibile utilizzare SVM o qualcosa di simile per mappare valori x a probabilità di valori y? Lasciatemi fare un esempio, diciamo che i tuoi valori x sono array di due numeri interi: x = [[1,1], [1,0], [0,1], [0,0]] e hai due categorie , aeb tale che y = [a, a, b, b]. cioè [1,1] e [1,0] mappano a una, [0,1] e [0,0] mappa a b. Dato un valore x di [1,0.9], l'SVM probabilmente predirebbe che il valore y fosse la categoria a, dato un altro valore x [1,0,89], l'SVM probabilmente continuerà a prevedere il valore y come parte del una categoria.
Questo è quello che sto cercando: dati i valori xey specificati sopra, la funzione "predice" che sto cercando restituirebbe una matrice di tuple per ogni categoria in y della forma: (categoria, probabilità x era nella categoria). Ad esempio, con il caso precedente, l'output sarebbe simile a questo: [(a, .93), (b, .07)]
La mia applicazione di questo sarebbe un po 'come un sistema a logica fuzzy, usando pseudocodice:
if x is almost certainly in category a:
do something
if x is likely to be in category a:
do something else
Un sistema come questo ha già un nome? In caso contrario, come potrei implementare qualcosa di simile? Attualmente sto usando scikit-learn in Python, quindi se c'è qualcosa come questo che potrei fare con quella libreria, sarebbe il migliore.
