具有硬边距和 C 值的 svm

【问题标题】：svm with hard margin and C value具有硬边距和 C 值的 svm
【发布时间】：2012-09-03 12:58:41
【问题描述】：

我必须创建一个带有 RBF 内核和硬边距的 svm 分类器。如果我理解正确，那么边距的类型是由 C 参数控制的。也就是说，C 参数越大，我得到的硬边距就越大。是否有一个典型的 C 值可以模拟一个非常强大的“硬边距”？或者有没有其他方法可以模拟强大的硬保证金？当然，我们总是可以讨论为什么我们需要模拟硬边距。但在这种情况下，我需要效仿它！

clf = svm.SVC(C = ??,kernel="rbf",gamma =1.5,shrinking=False,cache_size=3000)

【问题讨论】：

您可以尝试将其设置为像C=10e20 这样荒谬的大值；不过，我不确定您可以将C 设置多高而不会溢出。

标签： python math machine-learning scikit-learn

【解决方案1】：

通常您不需要那么大的值，但总的来说就是这样。只需尝试将其设置为 1e10，然后查看生成的 alphas。

如果没有一个 alpha 处于 C 值，则不应用正则化（即所有点都在训练集中正确分类 = 硬边距）。

顺便说一句，如果您的数据集非常嘈杂并且无法与您正在使用的内核分离，那么您就无法实现硬边距。

【讨论】：

谢谢安德烈亚斯！我有一个关于获取 alpha 的问题，如果我使用的是 SVC，则没有任何方法可以获取 alpha 和实际的支持向量。我们必须阅读“内部”参数support_,support_vector_。这是正确的吗？为什么没有方法？？
没有方法，因为 alpha 存储在属性 dual_coef_ 中，请参阅 the docs。 support_ 和 support_vector_ 已明确记录并公开给用户。结尾的下划线是 scikit-learn 的约定，表示这些属性是从数据中估计出来的。