Machine learning LIBSVM：从模型文件中获取支持向量

这可能是一个奇怪的要求，所以先解释一下。我最近突然发生了一次hd崩溃，丢失了一个用于用libSVM生成模型文件的数据文件。我有从这个数据文件生成的SVM模型和缩放文件，我想知道是否有方法从模型文件中的支持向量生成数据文件，比如模型到实例模型和实例，因为获取实例的过程非常昂贵。我知道它与原来的不一样，但仍然比没有好。我使用的是带有RBF核的概率支持向量机。

据我所知，一般的支持向量机模型，特别是libSVM模型，只包含支持向量。这些向量表示类之间的边界；很可能，它们并不代表您的绝大多数数据点。因此，不幸的是，我认为没有办法从模型中重新生成数据

话虽如此，我可以想到一个神秘的案例，该模型可能有一些价值：有一些公司专门在这种情况下恢复数据，例如从崩溃的HDs中恢复数据。然而，恢复的数据有时会有缺口；在某些情况下，可能会对模型进行反向工程，以填补某些缺失点。然而，这是非常理论化的

---

编辑：与其他答案状态一样，由支持向量表示的数据点的比例可能会有所不同，这取决于特定的问题和参数。但是，如上所述，在大多数常见情况下，您只能重建原始数据集的一小部分。

据我所知，通常的SVM模型，特别是libSVM模型，只包含支持向量。这些向量表示类之间的边界；很可能，它们并不代表您的绝大多数数据点。因此，不幸的是，我认为没有办法从模型中重新生成数据

话虽如此，我可以想到一个神秘的案例，该模型可能有一些价值：有一些公司专门在这种情况下恢复数据，例如从崩溃的HDs中恢复数据。然而，恢复的数据有时会有缺口；在某些情况下，可能会对模型进行反向工程，以填补某些缺失点。然而，这是非常理论化的

编辑：与其他答案状态一样，由支持向量表示的数据点的比例可能会有所不同，这取决于特定的问题和参数。然而，如上所述，在大多数情况下，您只能重建原始数据集的一小部分。

对于RBF，您是幸运的。根据，您可以从模型文件中提取支持向量：

在模型文件中，在参数和其他信息（如标签）之后，每行表示一个支持向量

但是请记住，这些只是支持向量，它们只是原始输入数据的一小部分。

对于RBF，您是幸运的。根据，您可以从模型文件中提取支持向量：

在模型文件中，在参数和其他信息（如标签）之后，每行表示一个支持向量

---

但是请记住，这些只是支持向量，它们只是原始输入数据的一小部分。

如果在任何文本编辑器中打开给定的模型文件，您会发现如下内容：

 svm_type c_svc
 kernel_type sigmoid
 gamma 0.5
 coef0 0
 nr_class 2
 total_sv 4
 rho 0
 label 0 1
 nr_sv 2 2
 SV
 1 1:0 2:0
 1 1:1 2:1
 -1 1:1 2:0
 -1 1:0 2:1

对你来说有趣的事情是在SV线之后

 1 1:0 2:0
 1 1:1 2:1
-1 1:1 2:0
-1 1:0 2:1

这些数据点被选为支持向量，因此您只需解析文件。格式如下: [label][index1]：[value1][index2]：[value2]。。。[索引n][valuen]

例如，从我的示例中，您可以得出结论，我的培训集是：

x y desired val 
0 0     -1
0 1      1
1 0      1
1 1     -1

一些注意事项和警告。SV数量与数据点之间的比率取决于所使用的参数。在某些情况下，比率很大，与数据相比，SV非常少

另一件需要记住的事情是，这种减少可能会改变问题，如果您再次使用SVs作为数据点进行训练，您可能会得到一个具有完全不同参数集的完全不同的模型

---

祝你好运

如果在任何文本编辑器中打开给定的模型文件，您会发现如下内容：

 svm_type c_svc
 kernel_type sigmoid
 gamma 0.5
 coef0 0
 nr_class 2
 total_sv 4
 rho 0
 label 0 1
 nr_sv 2 2
 SV
 1 1:0 2:0
 1 1:1 2:1
 -1 1:1 2:0
 -1 1:0 2:1

对你来说有趣的事情是在SV线之后

 1 1:0 2:0
 1 1:1 2:1
-1 1:1 2:0
-1 1:0 2:1

这些数据点被选为支持向量，因此您只需解析文件。格式如下: [label][index1]：[value1][index2]：[value2]。。。[索引n][valuen]

例如，从我的示例中，您可以得出结论，我的培训集是：

x y desired val 
0 0     -1
0 1      1
1 0      1
1 1     -1

一些注意事项和警告。SV数量与数据点之间的比率取决于所使用的参数。在某些情况下，比率很大，与数据相比，SV非常少

另一件需要记住的事情是，这种减少很可能会改变 解决这个问题，如果您再次使用SVs作为数据点进行训练，您可能会得到一个完全不同的模型和一组完全不同的参数

---

祝你好运

这些向量表示类之间的边界；它没有直接引用任何特定的数据点，除非支持向量与训练集直接相关，因为它们是定义类之间的超平面的数据点。幸运的是，该模型相当大，因此即使有这个警告，我也能够恢复相当一部分的数据。这些向量表示类之间的边界；它没有直接引用任何特定的数据点，除非支持向量与训练集直接相关，因为它们是定义类之间的超平面的数据点。幸运的是，该模型相当大，因此即使有这个警告，我也能够恢复相当一部分的数据。谢谢非常感谢你的回答。我猜SV是缩放的，所以我必须取消缩放才能再次获得真实点？@vseguip如果您事先缩放它。。。是的，您需要将其取消缩放。但是，库不会自动缩放它们，因此这取决于您如何构建模型。此外，您应该注意以下一点：模型文件中的标签行非常非常重要。另一方面，你应该总是有这样的备份。例如，Dropbox非常好用。非常感谢您的回答。我猜SV是缩放的，所以我必须取消缩放才能再次获得真实点？@vseguip如果您事先缩放它。。。是的，您需要将其取消缩放。但是，库不会自动缩放它们，因此这取决于您如何构建模型。此外，您应该注意以下一点：模型文件中的标签行非常非常重要。另一方面，你应该总是有这样的备份。例如，Dropbox工作得很好。