我有一个分类器多类，使用Sklearn库提供的LinearSVC模型进行训练。该模型提供了Decision_function方法，我将其与numpy库函数一起使用以正确解释结果集。
但是，我不明白为什么该方法总是尝试将总概率（在我的情况下为1）分配到每个可能类之间。
我期望分类器具有不同的行为。
例如，我假设我有一小段这样的文字：
“有许多类型的病毒和细菌会引起疾病。”
但是我的分类器受过三种类型的文本训练，比如说“数学”，“历史”和“技术”。
所以，我认为在对这三个主题进行分类时，这三个主题中的每一个都有非常接近于零（因此远不等于1）的概率。
是否有更合适的方法或模型来获得我刚刚描述的结果？
我使用“ decision_function”的方式是否错误？
有时，您的文本可能与用于训练分类器的任何主题无关，反之亦然，一个以上主题的概率可能约为1。
我认为我需要对这些问题有所了解（文本分类，无二进制分类等）
非常感谢您的帮助！
您的问题有多个部分，我将尽力回答。
这是大多数ML模型的本质，必须将给定的示例放入某个类中，并且每个模型都具有某种机制来计算给定的数据点属于某个类，而无论哪个类具有您预测相应类别的可能性最高。
为了解决您的问题，即示例的存在不属于任何类，您可以在训练模型时始终创建一个名为others的伪类，即使您的数据点不对应，也可以通过这种方式到您的任何实际类，例如，根据您的示例的maths，history和technology，它将被合并到other类。
这通常是multi-label classification的用途。
希望这会有所帮助！