Çok fazla var - ve en iyi sonuç verilere bağlıdır. Hile yapmanın birçok yolu da vardır - örneğin, herhangi bir sınıflandırıcının çıktılarında, bir puanın bazı benzerini veren bir olasılık kalibrasyonu yapabilirsiniz (yani: ağırlık vektörü ve girdi arasında bir nokta ürün). Bunun en yaygın örneğine Platt'ın ölçeklenmesi denir.
Altta yatan modelin şekli de vardır. Verilerinizle polinom etkileşimleriniz varsa, vanilya lojistik regresyonu bunu iyi bir şekilde modelleyemez. Ancak, modelin verilere daha iyi uyması için lojistik regresyonun çekirdeklenmiş bir sürümünü kullanabilirsiniz. Bu aynı zamanda olasılık çıktılarının "iyiliğini" arttırır, çünkü siz de sınıflandırıcının doğruluğunu arttırırsınız.
Genel olarak, olasılık veren çoğu model genellikle bir lojistik işlev kullanır, bu yüzden karşılaştırmak zor olabilir. Sadece pratikte iyi çalışma eğilimindedir, Bayes ağları bir alternatiftir. Naive Bayes, olasılıklarının iyi olması için çok basit bir varsayım yapar - ve bu, makul büyüklükteki herhangi bir veri setinde kolayca gözlemlenir.
Sonunda, verileri daha iyi temsil edebilecek modeli seçerek olasılık tahminlerinizin kalitesini artırmak genellikle daha kolaydır. Bu anlamda, olasılıkları nasıl elde ettiğiniz çok önemli değil. Lojistik regresyon ile% 70 ve bir SVM ile% 98 doğruluk elde ederseniz - sadece "tam güven" olasılığı vermek, gerçekten olasılık olmasa bile, çoğu puanlama yöntemiyle sonuçları "daha iyi" yapacaktır (ve daha önce bahsettiğim kalibrasyonu daha iyi hale getirebilirsiniz).
Doğru bir sınıflandırıcı alamama bağlamındaki aynı soru daha ilginç, ancak böyle bir senaryoda anyonların çalıştığından / karşılaştırıldığından emin değilim.