SVC devuelve probabilidades por columnas: classes_ indica a qué etiqueta pertenece cada una
Un 0,80 no se interpreta antes de asociarlo con su clase. La documentación de scikit-learn permite comprobar el orden sin atribuir aciertos reales a un ejemplo inventado.
Una fila de probabilidades necesita conservar los nombres de sus columnas. En SVC, el clasificador de scikit-learn, la documentación de predict_proba indica que las columnas siguen el orden de las clases que aparece en classes_. Leer solo la cifra mayor y asignarle una etiqueta por intuición puede invertir la interpretación.
Ejemplo inventado: classes_ contiene [«azul», «rojo»] y una fila contiene [0,80; 0,20]. En esa correspondencia, 0,80 pertenece a «azul» y 0,20 a «rojo». Rotular el primer valor como «80% rojo» sería un error de asociación, aunque la suma de los dos números dé uno. No son resultados de un modelo ejecutado ni un ensayo de reconocimiento de colores.
La comprobación propuesta es guardar juntos el vector de clases y la matriz de salida, y revisar la pareja etiqueta–valor que se muestra al usuario. Si se reordena una tabla para presentarla, hay que conservar esa pareja durante el cambio. Un archivo que solo almacene las cifras pierde la información necesaria para auditar después el rótulo.
La fuente añade que SVC necesita haber calculado la información probabilística durante el entrenamiento con probability activado. También advierte de que su modelo de probabilidad se construye con validación cruzada y puede dar resultados distintos de predict. Por tanto, esta guía no promete que seleccionar la mayor columna reproduzca siempre aquella salida.
Asociar correctamente etiquetas y valores es una comprobación de lectura; no acredita calibración ni exactitud para futuras entradas. Para esas preguntas se requieren evaluaciones distintas. Aquí se ha revisado documentación, sin descargar modelos, entrenar un clasificador o probar una aplicación real.