logistic回归问题的decision_function，predict_proba和predict函数有什么区别？

我一直在阅读sklearn文档，但是在逻辑回归的背景下我无法理解这些功能的目的。因为decision_function它说的是超平面和测试实例之间的距离。此特定信息有何用处？这又如何涉及到predict和predict-proba方法？

回想一下逻辑回归的功能形式是

$$f(x) = \frac{1}{1 + e^{-(\beta_0 + \beta_1 x_1 + \cdots + \beta_k x_k)}}$$

这是由返回的predict_proba。

指数内的术语

$$d(x) = \beta_0 + \beta_1 x_1 + \cdots + \beta_k x_k$$

是的返回值decision_function。文档中提到的“超平面”是

$$\beta_0 + \beta_1 x_1 + \cdots + \beta_k x_k = 0$$

该术语是支持向量机的保留，后者从字面上估计分离的超平面。对于逻辑回归，该超平面有点像人工构造，它是等概率平面，在该平面中，模型确定了两个目标类别的可能性相同。

该predict函数使用规则返回类决策

$$f(x) > 0.5$$

冒着权宜之计的风险，该predict功能只有很少的合法使用，我认为将其用作查看其他作品时的错误标志。我会走得更远，以在sklearn本身中称其为设计错误（该predict_proba函数应该已经被调用predict，并且predict应该已经被调用predict_class，如果有的话）。