Python机器学习手册：从数据预处理到深度学习

是正确的，但是原始的预测概率往往为极端的值，趋近于0或者1。

为了获得有意义的预测概率，我们可以使用校准（calibration）方法。

在scikit-learn中，可以使用CalibratedClassifierCV类，创建经由k折交叉验证调校过的预测概率。在CalibratedClassifierCV中，训练集被用来训练模型，测试集被用来校准预测概率，返回的预测概率是k折的平均值。

使用我们的解决方案，可以看到原始预测概率和调校过的预测概率之间的差别。在解决方案中，我们创建了一个高斯朴素贝叶斯分类器。如果训练这个分类器后，用它预测一个新观察值的分类概率，就会看到很极端的概率预测值：

但是，如果我们在这之后校准预测概率（在解决方案中就是这样做的），就会得到很不一样的结果：

CalibratedClassifierCV提供了两种校准方法：Platt sigmoid模型和保序回归，可以通过method参数来设置。受篇幅所限，这里不讲解其中的细节，但是需要说明一点，保序回归是无参的，在样本量很小的情况下（比如，只有100个观察值），它往往会过拟合。在上述解决方案中，因为所用的鸢尾花数据集只有150个观察值，所以我们使用了Platt sigmoid模型。