我有一个多类分类器，使用Sklearn库提供的LinearSVC模型进行训练。
该模型提供了decision_function方法，我使用numpy库函数来正确解释结果集。
但是，我不明白为什么这个方法总是试图将概率总和（在我的情况下为1）分配给每一个可能的类别。
我预期我的分类器会有不同的行为。
我的意思是，例如，假设我有一个像这样的短文本：
"There are a lot of types of virus and bacterias that cause disease."
但是我的分类器是用三种类型的文本进行训练的，比如说“数学”，“历史”和“技术”。因此，当我尝试对其进行分类时，每个题目都有一个非常接近于零的概率（因此远不到1的总和）。
是否有更合适的方法或模型来获得我刚才描述的结果？
我是否错误地使用了decision_function？
有时，您可能会有一些与用于训练分类器的任何主题都无关的文本，反之亦然，可能会有一个主题的概率超过1。
我认为我需要在这些问题上找到一些线索（文本分类，非二元分类等）。
非常感谢您提前的帮助！
你的问题有多个方面，我会尽力回答。
这是大多数机器学习模型的本质，需要将给定的示例放入某个类别中，并且每个模型都有一些机制来计算给定数据点属于某个类别的概率，具有最高概率的类别将被预测为相应的类别。
为了解决您的问题，即存在不属于任何类别的示例，您可以在训练模型时始终创建一个名为其他的伪类别。这样，即使您的数据点不对应于实际类别中的任何一个，例如按照您的示例，maths，history和technology，它也将被归入other类别。
这通常使用多标签分类来解决。
from sklearn.datasets import fetch_20newsgroups
from sklearn.feature_extraction.text import TfidfVectorizer
from sklearn.svm import LinearSVC
from sklearn.preprocessing import OneHotEncoder
categories = ['sci.electronics', 'sci.space', 'talk.religion.misc',]
newsgroups_train = fetch_20newsgroups(subset='all',
remove=('headers', 'footers', 'quotes'),
categories=categories)
from sklearn.multioutput import MultiOutputClassifier
from sklearn.pipeline import make_pipeline
X, y = newsgroups_train.data, OneHotEncoder(sparse=False)\
.fit_transform([[newsgroups_train.target_names[i]]
for i in newsgroups_train.target])
model = make_pipeline(TfidfVectorizer(stop_words='english'),
MultiOutputClassifier(LinearSVC()))
model.fit(X, y)
print(newsgroups_train.target_names)
# ['sci.electronics', 'sci.space', 'talk.religion.misc']
print(model.predict(['religion followers of jesus']))
# [[0. 0. 1.]]
print(model.predict(['Upper Atmosphere Satellite Research ']))
# [[0. 1. 0.]]
print(model.predict(['There are a lot of types of virus and bacterias that cause disease.']))
# [[0. 0. 0.]]
处理这个问题的常见方法是将文本样本转换为某种向量空间，并测量与该向量空间中代表分类的一些典型位置之间的“距离”。
这种分类器模型很方便，因为如果您将文本样本折叠成词汇频率向量，它几乎可以被表达为一个向量 - 其中维度由您选择跟踪的词汇特征数量定义。
通过对更广泛的文本语料库进行聚类分析，您可以尝试确定常出现在聚类中心的中心点，并且可以用它们所处的向量位置来描述它们。
最后，通过定义少量聚类中心，您可以简单地使用勾股定理找到您选择的样本最接近的主题聚类，但您还可以轻松获取样本与所有其他聚类中心之间的相对距离 - 因此它不太可能性化，而更像是一种空间度量。