Scikit learn scikit学习：将主要成分的SVM权重投影到原始图像空间

我对我的3D图像数据集进行了PCA，并将前n个PC用作线性SVM中的特征。我为每台电脑设置了SVM权重。现在，我想将电脑权重投影到原始图像空间，以发现在分类过程中，图像的哪些区域更具辨别力。我对权重向量使用了逆变换PCA方法。然而，结果图像只有正值，而SVM权重既有正值也有负值。这让我想到我的方法是否有效。有人有什么建议吗

---

提前谢谢。

我有一个程序可以在图像空间中进行这种投影。需要意识到的是，权重本身并不定义“歧视”权重（如中所述）。您需要输入的总和由其核系数加权

以这个玩具为例：
类

A

有两个向量：

a1=（1,1）

和

a2=（2,2）

类

B

有两个向量：

b1=（2,4）

和

a3=（4,2）

如果你画这个，你可以手工构造决策边界：它是点的线

（x，y）

，其中

x+y==5

。我的SVM程序找到的解决方案是

w_a1==0

（无支持向量），

w_a2==-1

和

w_b1==w_b2==1/2

，以及

偏差==-5

现在，您可以构造投影向量

p=a2*w_a2+b1*w_b1+b2*w_b2

=

-1*（2,2）+1/2*（2,4）+1/2*（4,2）

=

（1,1）

---

换句话说，每个点都应该投影到线

y==x

，对于新向量

v

，内积

对于a类向量低于5，对于B类向量高于5。通过添加偏差，可以将结果集中在0附近。

欢迎使用堆栈溢出。我建议您将使用的首字母缩略词与其词典定义联系起来，制定重现问题所需的程序，并尝试找出此类相当抽象（可能与数学或信号处理理论有关）的问题在哪里得到解决。不要交叉张贴，只需阅读网站的

帮助>帮助中心>询问>我可以在这里询问哪些主题

，然后使用

标记

按钮，让版主知道你想移动它，就可以找到最合适的