Python 机器学习支持向量机对特征的贡献

我使用SKLearn SVM能够预测新数据的标签（1或0）。我使用了60个特性。这是我的密码：

clf = svm.SVC(kernel='rbf', gamma=0.001, C=1)  
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size = 0.2)  
clf.fit(X_train,y_train)   
print(clf.predict(X_test[:400]))

我想做的下一步是计算我的特征对预测的贡献，我该怎么做

另外，我想画出测试和训练错误。类似于伊万·伊万诺夫的这些数字……希望有人愿意帮忙

---

使用rbf内核时，无法计算功能的贡献。您必须切换到线性内核，然后查看您的模型的

coef\uu

属性。是否可以使用rbf核计算第二个图形？可以使用rbf核生成两个图形。首先，您只需使用可变大小的训练集多次训练模型。第二个图形只是混淆矩阵的图形表示，即比较真实标签和预测标签。使用rbf核时，无法计算特征的贡献。您必须切换到线性内核，然后查看您的模型的

coef\uu

属性。是否可以使用rbf核计算第二个图形？可以使用rbf核生成两个图形。首先，您只需使用可变大小的训练集多次训练模型。第二个图形只是混淆矩阵的图形表示，即比较真实标签和预测标签。