python - 使用 scikit-learn 线性 SVM 提取决策边界

Question

我有一个非常简单的一维分类问题:值列表 [0, 0.5, 2] 及其关联的类 [0, 1, 2]。我想获得这些类之间的分类边界。

调整iris example (出于可视化目的)，摆脱非线性模型:

X = np.array([[x, 1] for x in [0, 0.5, 2]]) 
Y = np.array([1, 0, 2])

C = 1.0  # SVM regularization parameter
svc = svm.SVC(kernel='linear', C=C).fit(X, Y)
lin_svc = svm.LinearSVC(C=C).fit(X, Y)

给出以下结果:

LinearSVC 正在返回垃圾(为什么？)，但具有线性内核的 SVC 工作正常。所以我想获得边界值，您可以通过图形猜测:~0.25 和 ~1.25。

这就是我迷路的地方:svc.coef_ 返回

array([[ 0.5       ,  0.        ],
       [-1.33333333,  0.        ],
       [-1.        ,  0.        ]])

而 svc.intercept_ 返回 array([-0.125 , 1.66666667, 1. ])。 这不是明确的。

我一定是遗漏了一些愚蠢的东西，如何获得这些值？它们似乎很容易计算，在 x 轴上迭代以找到边界是荒谬的......

Answer 1

我有同样的问题，最终在 sklearn documentation 中找到了解决方案.

给定权重 W=svc.coef_[0] 和截距 I=svc.intercept_ ，决策边界是直线

y = a*x - b

与

a = -W[0]/W[1]
b = I[0]/W[1]