Scikit learn scikit学习直线自信

我正在使用scikit learn的LinearSVC SVM实现，并试图理解多类预测。看看coef和intercept，我可以得到超平面的权重。例如，关于我的学习问题，我得到了两个特性和四个标签

f0 =  1.99861379*x1 - 0.09489263*x2 + 0.89433196
f1 = -2.04309715*x1 - 3.51285420*x2 - 3.1206355
f2 =  0.73536996*x1 + 2.52111207*x2 - 3.04176149
f3 = -0.56607817*x1 - 0.16981337*x2 - 0.92804815

当我使用decision_函数方法时，我得到了与上述函数对应的值。但是政府说

样本的置信度得分是该样本的符号距离 采样到超平面

但decision_函数不返回有符号距离，它只返回f（）

更具体地说，我假设LinearSVC使用标准技巧，即使用常量1特性来表示阈值。（这可能是错误的。）对于我的示例问题，这给出了一个三维特征空间，其中实例的形式总是（1，x1，x2）。假设没有其他阈值项，该算法学习一个超平面w=（w0，w1，w2），该超平面穿过三维空间中的原点。现在我得到一个要预测的点，称之为z=（1，a，b）。该点到超平面的有符号距离（边距）是多少。它只是点（w，z）/2norm（w）。LinearSVC代码返回点（w，z）

谢谢，

---

Chris

因此这些函数不应该给出距离

这是什么意思？我在问题末尾添加了一段来回答你的问题。简而言之，我认为decision|u函数方法在返回点（w，x）/| | w | | | |时返回点（w，x）。

因此这些函数不应该给出距离

这是什么意思？我在问题的末尾添加了一段来回答您的问题。简而言之，我认为decision|u函数方法在应该返回点（w，x）/| w |时返回点（w，x）。