这里是一个非常简单的问题，但似乎无法在通常很棒的 sklearn 文档中找到答案。
我正在使用二进制分类器，但我们可以假设我正在使用LogisticRegression，我想知道是否有一种通用的方法来选择分类器，比如只有 10 个最佳（最确定）数据点？
例如，假设我训练了一个包含 500K 数据点的集合，而我的测试集有 10K 行，而在这 10K 中，我只想选择最有可能成为真阳性的 10 个。这有意义吗？
我已经阅读并一直在使用该class_weights属性，它可以很好地为每个二元结果类赋予更多/更少的权重，但它并不完全适合我想要的，因为它总是给出不同数量的位置预测，而且我真的无法确定分类器对每个分类器的确定程度。
class_weight在模型训练过程中用于训练（=拟合）更好的模型（我们称之为clf）。
你的问题是关于选择最确定的预测。您只需要预测概率（对于二元分类，这将是正类的概率）
y_test_predicted_probability = clf.predict_proba(X_test)
然后选择最高的10个点y_test_predicted_probability
#some code to do this
top_picks_indexes = y_test_predicted_probability[:,1].argsort()[-10:] # chose top 10 probabilities for class = 1
# create a vector, Y_top_picks, with all zeros except ones for the selected top probabilities
Y_top_picks = np.zeros(len(X_test))
Y_top_picks[top_picks_indexes] = 1