怎么理解platt scaling？

platt's scaling本质上就是利用一个逻辑回归将SVM的输出值映射为概率。

因为SVM的输出值是样本和决策边界的距离而非概率，输出值大于0是正样本，输出值小于0是负样本。

platt's scaling就利用这个输出值作为样本的特征，再利用样本的标签，训练一个一维数据的逻辑回归。这个逻辑回归的最后输出的概率值就是platt's scaling后的预测概率。

假设第$i$个样本的特征为$X_i$，SVM的决策函数的输出结果为$f(X_i)$，那么platt's scaling之后预测这个样本为正的概率为

$$P(1|X_i)=\frac{1}{1+e^{af(X_i) + b}}$$

其中$a$和$b$是通过训练集训练得到的。

从神经网络的角度来说，platt scaling相当于在最外面加一个sigmoid输出层