当然可以！在Scikit-learn里用One-vs-All（OVA）策略的多类SVM时，咱们完全能拿到每个二分类器的分类分数和结果，下面一步步给你拆解怎么做：

要注意：Scikit-learn里的SVC默认用的是**One-vs-One（OVO）**策略，如果你想明确用OVA，推荐用OneVsRestClassifier来包装基础的SVM分类器，这样不仅能保证是OVA逻辑，还能直接访问每个内部的二分类器。

比如初始化并训练模型：

from sklearn.svm import SVC
from sklearn.multiclass import OneVsRestClassifier
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split

# 加载示例数据，拆分训练/测试集
X, y = load_iris(return_X_y=True)
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 用OneVsRestClassifier包装SVC，开启probability来获取概率得分
ovr_svm = OneVsRestClassifier(
    SVC(kernel='linear', probability=True, random_state=42)
)
ovr_svm.fit(X_train, y_train)

训练完成后，你有两种方式获取每个样本在各个OVA分类器上的得分：

• predict_proba()：返回每个样本属于每个类别的概率（归一化到0-1之间），每一列对应一个OVA分类器（比如第i列就是“类别i vs 其他所有类别”的分类器给出的概率）
• decision_function()：返回每个样本在每个类别上的决策值（未归一化，反映分类器的置信度）

示例代码：

# 获取概率得分，shape为(n_samples, n_classes)
ova_prob_scores = ovr_svm.predict_proba(X_test)

# 或者获取决策值
# ova_decision_scores = ovr_svm.decision_function(X_test)

# 比如查看第一个测试样本在所有OVA分类器上的得分
print("第一个测试样本的OVA分类器得分：")
for cls, score in zip(ovr_svm.classes_, ova_prob_scores[0]):
    print(f"类别 {cls}: {score:.4f}")

如果要对每个样本的所有OVA得分排序，取前10的类别和对应得分，可以用Numpy来快速处理：

import numpy as np

# 对每个样本的得分降序排序，取前10的类别索引
top10_indices = np.argsort(ova_prob_scores, axis=1)[:, -10:]
# 反转顺序，让得分从高到低排列
top10_indices = np.flip(top10_indices, axis=1)

# 获取对应的类别标签和得分
top10_classes = ovr_svm.classes_[top10_indices]
top10_scores = np.take_along_axis(ova_prob_scores, top10_indices, axis=1)

# 查看第一个样本的前10结果
print("\n第一个样本的前10OVA分类器结果：")
for cls, score in zip(top10_classes[0], top10_scores[0]):
    print(f"类别 {cls}: {score:.4f}")

如果你的数据集类别总数少于10，这段代码会自动返回所有类别的结果，不用额外调整。

用OneVsRestClassifier的好处是，你可以直接通过estimators_属性拿到所有内部的二分类器实例，然后单独调用它们的方法：

# 获取所有OVA分类器的列表，每个元素对应一个"类别i vs 其他"的二分类器
ova_classifiers = ovr_svm.estimators_

# 比如访问第一个分类器（对应类别0 vs 其他）
class0_clf = ova_classifiers[0]

# 单独用这个分类器预测测试集的概率得分（[:,1]是类别0的概率）
class0_scores = class0_clf.predict_proba(X_test)[:, 1]

# 甚至可以单独生成这个二分类器的混淆矩阵
from sklearn.metrics import confusion_matrix
y_test_binary = (y_test == 0).astype(int)
y_pred_binary = class0_clf.predict(X_test)
class0_cm = confusion_matrix(y_test_binary, y_pred_binary)
print("\n类别0的OVA分类器混淆矩阵：")
print(class0_cm)

混淆矩阵主要用来展示分类器的对错分布，它不能直接给出每个OVA分类器的得分，但你可以像上面那样，针对每个OVA二分类器单独生成混淆矩阵，来查看这个分类器的分类表现。如果需要得分，还是predict_proba或decision_function更直接。

内容的提问来源于stack exchange，提问作者theSOMguy