如何从Azure AI Automated ML部署的端点获取分类概率

方法一：训练阶段配置（无需修改代码） #

在AutoML实验创建阶段开启概率返回设置，部署后端点会自动输出概率：

• 进入Azure ML Studio的AutoML实验配置页面，选择分类任务后，找到预测设置板块，勾选“返回预测概率”（部分版本界面显示为Include probability scores）。
• 完成训练后，将新生成的模型部署为端点，此时调用端点会同时返回预测类别和对应概率值。

方法二：修改已部署端点的评分脚本（无需重新训练） #

如果模型已经部署，可通过修改端点的score.py脚本实现概率输出：

1. 登录Azure ML Studio，找到目标端点对应的部署详情页，进入“模型”标签下载当前的score.py文件。
2. 修改脚本中的预测逻辑，将model.predict()替换为同时获取类别和概率的代码：

   def run(raw_data):
       import json
       import pandas as pd
   
       data = json.loads(raw_data)['data']
       df = pd.DataFrame(data)
       
       # 获取预测类别和概率矩阵
       predicted_classes = model.predict(df)
       probability_matrix = model.predict_proba(df)
       
       # 格式化输出，将类别与对应概率绑定
       output = []
       for cls, probs in zip(predicted_classes, probability_matrix):
           output.append({
               "predicted_class": cls,
               "class_probabilities": dict(zip(model.classes_, probs))
           })
       return output
   

3. 回到部署详情页，选择“更新部署”，上传修改后的score.py并确认更新，等待部署完成后，调用端点即可获取包含概率的输出。

注意事项 #

• 大部分AutoML分类模型（如逻辑回归、XGBoost、随机森林等）都支持predict_proba()方法，少数轻量模型可能不支持，若报错可尝试重新训练时开启概率选项。
• 若使用SDK提交AutoML任务，可在AutoMLConfig中设置enable_production_optimizations=False（避免优化移除概率输出），同时确保任务类型为classification。

内容的提问来源于stack exchange，提问作者Travis Troyer