如何让Qiskit VQC输出各类别预测概率而非仅分类标签？

对于Qiskit的VQC二分类任务，要获取每个样本的类别概率（格式[p1,p2]），有几种直接的方法：

• 直接调用predict_proba()方法
  这是最简便的方式，Qiskit Machine Learning中的VQC类（属于Classifier基类）内置了predict_proba()方法，直接返回每个样本的类别概率数组：

  # 假设vqc是你训练好的模型，X_test是测试数据集
  probabilities = vqc.predict_proba(X_test)
  

  输出的probabilities是形状为(n_samples, 2)的数组，每个元素对应一个样本的[p1, p2]，两个概率之和为1，正好满足绘制ROC曲线的需求。

• 旧版本Qiskit手动获取概率
  如果你的Qiskit版本较旧，predict_proba()不可用，可以直接调用神经网络的forward()方法获取原始概率输出：

  # 从VQC的神经网络模块获取概率
  probabilities = vqc._neural_network.forward(X_test, training=False)
  

  二分类场景下，这个输出同样是每个样本对应两个类别的概率值。

• 底层手动计算概率（适合自定义电路场景）
  如果你是手动构建量子电路而非直接使用VQC封装类，可以通过运行电路统计测量计数来转换为概率：

  from qiskit import Aer, execute
  
  backend = Aer.get_backend('qasm_simulator')
  probabilities = []
  shots = 1024  # 测量次数，次数越多概率越准确
  
  for x in X_test:
      # 构建包含输入编码的完整量子电路
      circuit = vqc.construct_circuit(x)
      # 执行电路并获取计数结果
      result = execute(circuit, backend, shots=shots).result()
      counts = result.get_counts()
      # 计算两个类别的概率（假设类别对应测量结果'0'和'1'）
      p0 = counts.get('0', 0) / shots
      p1 = counts.get('1', 0) / shots
      probabilities.append([p0, p1])
  

拿到概率数组后，就可以用sklearn.metrics.roc_curve和roc_auc_score来绘制ROC曲线了。

内容的提问来源于stack exchange，提问作者Zhelun Li