AIU人工智能学院：数据科学、人工智能从业者的在线大学。
数据科学（Python/R/Julia）数据分析、机器学习、深度学习

scikit-learn中有两个函数可用于获取分类器的不确定度评估：decision_function和predict_proba。大多数分类器都至少有其中一个函数。下面我们来构造一个GradientBoostingClassifier分类器（同时拥有decision_function和predic_proba两个方法）：

运行后结果如下图：

分类器的不确定性评估

decision_function可以在任意范围内取值，这块取决于数据与模型参数,下面我们利用颜色编码在二维平面中画出所有点的decision_function，还有决策边界，后者我们之前见过，对应代码如下：

运行后结果如下图：

梯度提升模型在一个二维玩具数据集上的决策边界（左）和决策函数（右）

由上述运行结果可知，同时给出预测结果和分类器的置信度，这样给出的信息量更大。尽管如此，我们很难分辨出两者之间的边界，对此，我们将在下一节继续讨论！