使用sklearn的OneVsOneClassifier如何获取类别概率估计？

方法一：改用OneVsRestClassifier（最简单方案） #

如果业务场景允许替换多分类策略，OneVsRestClassifier原生支持predict_proba，只需替换原代码中的多分类器即可：

smt = SMOTE(random_state=42)
base_model = LogisticRegression()
pipeline = Pipeline([('sampler', smt), ('model', base_model)])

classifier = OneVsRestClassifier(estimator=pipeline)
classifier.fit(X_train, y_train)
yhat_prob = classifier.predict_proba(X_test)

OneVsRest会为每个类别训练独立的二分类模型，最终将所有模型的概率输出按类别聚合，得到每个样本属于各类别的概率值。

方法二：手动实现OneVsOne的概率聚合 #

如果必须保留OneVsOneClassifier，可以通过遍历其内部训练好的二分类器，收集每个类别在对应子模型中的概率后进行归一化处理：

import numpy as np

def ovo_predict_proba(ovo_classifier, X):
    n_samples = X.shape[0]
    n_classes = len(ovo_classifier.classes_)
    prob_scores = np.zeros((n_samples, n_classes))
    
    # 遍历每个二分类器及其对应的类别对
    for estimator, (class_idx_a, class_idx_b) in zip(ovo_classifier.estimators_, ovo_classifier.pair_indices_):
        # 获取当前二分类器的概率输出
        class_probs = estimator.predict_proba(X)
        # 将概率累加到对应类别的总分数中
        prob_scores[:, class_idx_a] += class_probs[:, 0]
        prob_scores[:, class_idx_b] += class_probs[:, 1]
    
    # 归一化，确保每个样本的概率和为1
    prob_scores = prob_scores / prob_scores.sum(axis=1, keepdims=True)
    return prob_scores

# 使用示例
yhat_prob = ovo_predict_proba(classifier, X_test)

关键说明： #

• OneVsOneClassifier训练完成后，会生成estimators_（所有二分类器实例）和pair_indices_（每个分类器对应的两个类别索引），这两个属性是手动聚合概率的核心依据。
• 上述代码采用概率累加后归一化的策略，也可以根据需求调整为其他聚合逻辑（比如结合投票权重的概率计算）。
• 需确保Pipeline中的基础模型（如示例中的LogisticRegression）支持predict_proba方法，否则该方案无法生效。

内容的提问来源于stack exchange，提问作者arilwan