SVM和后验概率

在标准的SVM中，会根据样本会被最优分类面分为+1或-1；而在实际应用中，后验概率是非常有用的。Platt利用sigmoid函数实现了SVM算法的后验概率，将标准的SVM的输出值映射为概率值。

个人理解下来，跟Sigmoid函数在逻辑回归中的应用套路是一样的。Sigmoid函数具有单调性，值域在(0,1)之间，是一个完美的映射函数，可以将目标事件在样本上发生与否映射为概率。只不过在逻辑回归里，Sigmoid直接对f(x)进行转换，即Sigmoid(f(x))；而在SVM中，对f(x)（即核函数）有学习参数，即Sigmoid((Af(x)+b))。

后验概率SVM的构造主要分为两个步骤：首先训练标准的SVM模型。得到核函数的参数；其次训练Sigmoid函数，得到Sigmoid的参数。这样就可以对标准的SVM模型的输出值进行Sigmoid处理，将其转化为后验概率。