最近在研究基于样本的相似度度量问题，其中用到了分类器的概率输出（Platt scaling），大概了解了一下用法，总结的比较简单。

Platt scaling参考wiki的定义，Platt scaling，也叫Platt calibration，是一种将分类模型的输出变换为基于类别的概率分布的方法（可能翻译的不太准确，附上原文：In machine learning, Platt scaling or Platt calibration is a way of transforming the outputs of a classification model into a probability distribution over classes.）Platt scaling最初是用来解决SVM分类结果的概率输出（也可用于其他分类方法），采用逻辑斯蒂回归模型拟合分类器分数（classifier‘s socre）。

这里定义SVM的输出（非阈值化的）：

其中

Platt基于Bayes准则，用后验概率 P(y=1|f) 替代类别条件密度 p(f|y)，采用Sigmoid的参数化形式表达。

模型有两个参数A和B，采用最大似然估计训练，定义新的训练集合，其中ti为目标概率：

最小化训练数据的Negative Log Likelihood，目标函数为cross-entropy error function：

其中

Platt在论文中指出优化的两个问题：训练集的选择和避免过拟合的方法。

Platt Scaling的方法相当于创建新的训练集（SVM分类器输出Score和标签），基于这些新的数据进行训练，训练模型的输出就是分类器的概率输出。

相关参考：

Platt scaling

Classifier calibration with Platt‘s scaling and isotonic regression

Probabilistic outputs for support vector machines and comparisons to regularized likelihood methods 1999