Sto usando LinearSVC dalla libreria di scikit-learn e mi chiedo se sia possibile estrarre in qualche modo i vettori che il mio modello utilizza dopo l'allenamento per fare previsioni. Ho provato a google per qualche tempo, ma senza fortuna. Qualcuno lo sa?scikit-learn, linearsvc - come ottenere i vettori di supporto dall'SMM addestrato?
Purtroppo sembra che non ci sia modo di farlo. LinearSVC chiama liblinear (see relevant code) ma non recupera i vettori, solo i coefficienti e l'intercetta.
Un'alternativa sarebbe quella di utilizzare SVC con il kernel 'lineare' (libsvm invece di liblinear based), ma anche poly, dbf e sigmoid kernel supportare questa opzione:
from sklearn import svm
X = [[0, 0], [1, 1]]
y = [0, 1]
clf = svm.SVC(kernel='linear')
clf.fit(X, y)
print clf.support_vectors_
uscita:
[[ 0. 0.]
[ 1. 1.]]
scale liblinear meglio per un numero elevato di campioni, ma per il resto sono per lo più equivalenti.
Grazie, Elyase. Se userò altri tipi di SVC disponibili in scikit-learn, sarà possibile restituire i vettori (o come chiamarli correttamente se uso il kernel polynomal) in qualche modo? –
@MaximHaytovich, Sì, ho aggiornato la mia risposta. – elyase
Questo potrebbe aiutarti.
clf = svm.SVC(kernel='rbf',C=0.05)
clf.fit(traindata,y)
print clf.support_vectors_
Questo collegamento può fornire ulteriori informazioni se necessario. http://scikit-learn.org/stable/modules/svm.html
non sono sicuro se aiuta, ma ero alla ricerca di qualcosa di simile e la conclusione è stata che se:
clf = svm.LinearSVC()
Allora questo:
clf.decision_function(x)
è uguale a questo:
clf.cof_.dot(x) + clf.intercept_
Intendo i vettori di supporto, 'LinearSVC' in realtà non li usa affatto. –
'LinearSVC' non usa il vettore di supporto, ma il concetto esiste ancora e potrebbe essere ancora utile. –