从支持向量机返回最佳支持向量答案

【问题标题】：Returning best support vectors from support vector machine从支持向量机返回最佳支持向量
【发布时间】：2019-06-03 12:45:16
【问题描述】：

我正在使用来自 sklearn（在 Python 中）的支持向量分类器来找到一组“0”和“1”标记数据之间的最佳边界。

见：https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html

但是，我想在围绕边界线旋转数据后执行一些分析，因此我需要返回允许我定义线开始的属性。

我执行SVC如下：

相关进口：

from sklearn import svm
import numpy as np
import matplotlib.pyplot as plt

我将分类器定义为：

clf = svm.SVC(kernel='linear',C = 1e-3 ,class_weight='balanced')

然后适合训练数据：

clf.fit(f_train, labels_train)

因此可以使用以下方法查看线性类边界：

plt.figure()
ax = plt.gca()
xlim = ax.get_xlim()
ylim = ax.get_ylim()
xx = np.linspace(xlim[0], xlim[1], 30)
yy = np.linspace(ylim[0], ylim[1], 30)
YY, XX = np.meshgrid(yy, xx)
xy = np.vstack([XX.ravel(), YY.ravel()]).T
Z = clf.decision_function(xy).reshape(XX.shape)
ax.contour(XX, YY, Z, colors='k', levels=[-1, 0, 1], alpha=0.5,
           linestyles=['--', '-', '--'])

见于：https://scikit-learn.org/stable/auto_examples/svm/plot_separating_hyperplane.html

但是调用时：

clf.support_vectors_.shape

如果尝试将线性边界描述为输出具有形状 (4485, 2)，我不确定如何将输出解释为相关的

任何有关返回允许我定义边界线的帮助的帮助将不胜感激！

【问题讨论】：

您的要求我不清楚。你想得到边界线吗？ .decision_function() 将给出与该边界线的距离。如果你给一个乱七八糟的网格，你可以得到边界线本身。
感谢您的回复。我正在尝试找到可以显式定义计算边界线的任何方法，因此我需要到达 y = mx + c 并且我认为使用支持向量可能是这种方式

标签： python vector scikit-learn svm

【解决方案1】：

基于Plotting 3D Decision Boundary From Linear SVM，您可以使用clf.intercept_ 和clf.coef_ 属性获得边界线：

def decision_hyperplane(clf, x, y=None, dimension=2):
    """
    Return a decision line (dimension 2, return y based on x) or a 
    decision plane (dimension 3, return z based on x and y).

    Decision plane equation is wx + b = 0, so in 2d case:
    w.dot(x) + b = w_x * x + w_y * y + b = 0
    y = (-w_x * x - b) / w_y
    In 3d:
    w_x * x + w_y * y + w_z * z + b = 0
    z = (-w_x * x - w_y * y - b) / w_z
    """
    if dimension == 2:
        return (-clf.intercept_[0] - clf.coef_[0][0] * x) / clf.coef_[0][1]
    elif dimension == 3:
        return (-clf.intercept_[0] - clf.coef_[0][0] * x - clf.coef_[0][1] * y) / clf.coef_[0][2]

如果你像这样在你的代码中使用它

ax.plot(xx, decision_hyperplane(clf, xx), color='red')

结果将是

【讨论】：