python中libsvm的预测模型分析

关于在python中使用libsvm的两个问题：

我怎么知道这个问题是否可行

如何获得原始变量（w和偏移量b）

我使用一个简单的例子，考虑二维空间中的4个训练点（用*表示）：

*----*
|    |
|    |
*----*

我用C_SVC公式和线性核训练SVM，我将4个点分为两个标签[-1，+1]

例如，当我像这样设置训练点时，它应该找到一个分离的超平面

{-1}----{+1}
 |       |
 |       |
{-1}----{+1}

但对于这个非线性问题，它不应该能够找到一个分离的超平面（因为线性核）

我希望能够发现这个案子

---

第二个示例的示例代码：

from svmutil import *
import numpy as np

y = [1, -1, 1, -1]
x = [{1:-1, 2 :1}, {1:-1, 2:-1}, {1:1, 2:-1}, {1:1, 2:1}]

prob  = svm_problem(y, x)
param = svm_parameter()
param.kernel_type = LINEAR
param.C = 10

m = svm_train(prob, param)

样本输出：

optimization finished, #iter = 21
nu = 1.000000
obj = -40.000000, rho = 0.000000
nSV = 4, nBSV = 4
Total nSV = 4

---

对C的指数网格运行交叉验证，如线性核SVM上的中所述。如果训练集准确度永远无法接近100%，这意味着线性模型对数据的偏差太大，这反过来意味着线性假设是错误的（数据不是线性可分离的）

---

顺便说一句，测试集精度是对模型泛化能力的真实评估，但它测量了偏差和方差之和，因此不能直接用于测量偏差。训练集和测试集精度之间的差异度量模型的方差或过度拟合。有关错误分析的更多信息，请参见在线课程中总结的实用技巧和窍门。

不确定这是否有帮助-在我使用的Matlab中找到权重向量

（m.sv_coef'*full（m.SVs））

optimization finished, #iter = 21
nu = 1.000000
obj = -40.000000, rho = 0.000000
nSV = 4, nBSV = 4
Total nSV = 4