【发布时间】：2012-06-12 19:36:33
【问题描述】：
分离超平面的方程是W.X + b = 0。
对于support vector machine in scikit-learn，分离超平面是如何导出的？ 'a' 和 'w' 是什么意思？
【问题讨论】：
标签： python geometry machine-learning scikits scikit-learn
【发布时间】：2012-06-12 19:36:33
【问题描述】：
在 scikit-learn 中，coef_ 属性包含线性模型的分离超平面的向量。如果n_classes > 1（多类one-vs-all），则形状为(n_classes, n_features)，二进制分类为(1, n_features)。
在这个玩具二元分类示例中，n_features == 2，因此w = coef_[0] 是与超平面正交的向量（超平面完全由它定义 + 截距）。
要在 2D 情况下绘制此超平面（2D 平面的任何超平面都是 1D 线），我们希望找到 f，如 y = f(x) = a.x + b。在这种情况下，a 是直线的斜率，可以通过 a = -w[0] / w[1] 计算。
【讨论】：
-
为什么是
a = -w[0] / w[1]？为了找到 b，我们为什么要计算- (clf.intercept_[0]) / w[1]。不应该b = clf.intercept_[0]吗？ -
这只是一个简单的问题，将超平面的通用 n 维参数化切换到线的 2D 特定方程
y = a.x + b：通用w_0 x + w_1 y + w_3 = 0可以重写y = - (w_0 / w_1) x + (w_3 / w_1) -
s/切换到/切换自/
-
最后的表达式应该是：
y = - (w_0 / w_1) x - (w_3 / w_1)但是stackoverflow不允许编辑旧的cmets。 -
感谢您的回答。我现在明白了。