Matlab 带预计算内核的libsvm：如何计算分类分数？

我在MATLAB中使用libsvm，并使用预计算的非线性核训练和测试1-vs-all SVM。我对支持向量机有点陌生，我正在尝试计算决策函数。我知道，对于线性支持向量机，我们可以通过（根据libsvm文档）获得w：

然后，我们可以根据以下公式计算决策值：

w'*x

然后，根据

符号（w'*x+b）

预测标签，其中b是某个阈值

---

我特别感兴趣的是从我的非线性核中获得分类分数。我该怎么做呢？

我想知道你所说的分类分数是什么意思。实际上，你可以比较每个模型的概率，然后选择最大的一个，就像我在你的

如果您使用的是决策函数，也可以。假设您使用的是RBF内核，并且

model.Label（1）=1

，那么您就有了（如果

model.Label（1）=-1

，那么

w=-w；b=-b；

）

现在，您将获得测试中的

v

。还有

[1，n]=size（v）

然后对于支持向量中的每一行

i

，计算欧几里德距离（您可以将下面的代码向量化）：

决策函数（或决策函数的得分）为：

您可以使用其他非线性核类似地获得决策函数

---

编辑

对于一个自编预计算内核，让我们以RBF内核为例：

% RBF kernel: exp(-gamma*|u-v|^2)

rbf = @(X,Y) exp(-gamma .* pdist2(X,Y,'euclidean').^2);

% Kernel matrices with sample serial number as first column as required 

K_train =  [(1:numTrain)' , rbf(trainData,trainData)];
K_test =   [(1:numTest)'  , rbf(testData,trainData)];

%# train and test
model             = svmtrain(trainLabel, K_train, '-t 4');
[predLabel, ~, ~] = svmpredict(testLabel, K_test, model);

%# confusion matrix
C = confusionmat(testLabel,predLabel);

---

你的意思是不是

exp（-gamma*d（i）。^2）

？嗨，不，我只是注意到OP可能更关注“预计算”的问题。我添加了一个关于如何在libsvm中合并预计算内核的简单示例。希望能有帮助。

[m,n] = size(model.SVs); % m is the number of support vectors,...
                           and n is the number of features
w = model.sv_coef; % m*1 weight vector
b = -model.rho; % scalar

for i = 1:m
    d(i) = norm(model.SVs(i,:) - v);
    t(i) = exp(-gamma* d(i) .^2); % RBF model, t is 1*m vector
end

s = t * w + b;

% RBF kernel: exp(-gamma*|u-v|^2)

rbf = @(X,Y) exp(-gamma .* pdist2(X,Y,'euclidean').^2);

% Kernel matrices with sample serial number as first column as required 

K_train =  [(1:numTrain)' , rbf(trainData,trainData)];
K_test =   [(1:numTest)'  , rbf(testData,trainData)];

%# train and test
model             = svmtrain(trainLabel, K_train, '-t 4');
[predLabel, ~, ~] = svmpredict(testLabel, K_test, model);

%# confusion matrix
C = confusionmat(testLabel,predLabel);