sklearn中OneVsRestClassifier对分类与独热编码标签的概率差异疑问

核心差异来源：任务类型自动判定 #

sklearn的OneVsRestClassifier会根据输入标签y的格式自动判定任务类型，两种场景的概率输出逻辑完全不同：

• 传入1维原始分类标签（如鸢尾花的[0,1,2]）：判定为多分类任务，要求样本属于且仅属于一个类别
• 传入2维独热编码标签（如pd.get_dummies输出的矩阵）：判定为多标签分类任务，允许样本同时属于多个类别

两种场景的概率计算逻辑 #

1. 多分类任务（原始标签输入） #

每个二分类器的训练逻辑确实是区分当前类和其他所有类，得到每个类的原始正类概率后，predict_proba会对每个样本的所有类概率做行归一化：

归一化后概率 = 单类原始概率 / 所有类原始概率之和
所以最终输出的每个样本各类别概率加和恒为1，和你测试的结果一致。

2. 多标签任务（独热标签输入） #

多标签场景下每个类的判定是独立的，不需要满足类别互斥要求，所以predict_proba直接输出每个二分类器的原始正类概率，不会做归一化处理。每个概率代表样本独立属于该类的可能性，互相之间没有约束，所以加和可以大于1或小于1，符合你测试的结果。

补充验证 #

你可以手动对独热标签场景输出的y_prob2做行归一化，得到的结果会和y_prob1几乎一致：
比如你测试输出的第一行[0.00017194, 0.20430011, 0.98066319]，求和得到≈1.1851，每个值除以总和后得到[0.000145, 0.1724, 0.8275]，和y_prob1的第一行完全匹配。

内容的提问来源于stack exchange，提问作者user5843090