我正在使用python中的LIBSVM库,并尝试从计算出的支持向量重建超平面的方程(w'x+b)。你知道吗
该模型似乎训练正确,但我无法手动计算预测结果相匹配的svm\U预测测试数据的输出。你知道吗
我已经使用下面的链接从常见问题来尝试和排除故障,但我仍然无法计算出正确的结果。https://www.csie.ntu.edu.tw/~cjlin/libsvm/faq.html#f804
我的代码如下:
from svmutil import *
import numpy as np
ytrain, xtrain = svm_read_problem('small_train.libsvm')
# Change labels from 0 to -1
for index in range(len(ytrain)):
if ytrain[index] == 0:
ytrain[index] = -1.0
print ("Training set loaded...")
m = svm_train(ytrain, xtrain, '-q')
print ("Model trained...")
sv = np.asarray(m.get_SV())
sv_coef = np.asarray(m.get_sv_coef())
sv_indices = np.asarray(m.get_sv_indices())
rho = m.rho[0]
w = np.zeros(len(xtrain[0]))
b = -rho
# weight vector w = sum over i ( coefsi * xi )
for index, coef in zip(sv_indices, sv_coef):
ai = coef[0]
for key in xtrain[index-1]:
w[key] = w[key] + (ai * xtrain[index-1][key])
# From LIBSVM FAQ - Doesn't seem to impact results
# if m.label[1] == -1:
# w = np.negative(w)
# b = -b
print(np.round(w,2))
ytest, xtest = svm_read_problem('small_test.libsvm')
# Change labels from 0 to -1
for index in range(len(ytest)):
if ytest[index] == 0:
ytest[index] = -1.0
print ("Test set loaded...")
print ("Predict test set...")
p_label, p_acc, p_val = svm_predict(ytest, xtest, m)
print("p_label: ", p_label)
print("p_val: ", np.round(p_val,3))
for i in range(len(ytest)):
wx = 0
for key in xtest[i]:
wx = wx + (xtest[i][key] * w[key])
print("Manual calc: ", np.round(wx + b,3))
我的理解是,我用wx+b手工计算的结果应该与p值中包含的结果相匹配。我已经尝试否定w和b,但仍然无法得到与p值中相同的结果
我使用的数据集(LIBSVM格式)是:
小_训练.libsvm你知道吗
0 0:-0.36 1:-0.91 2:-0.99 3:-0.57 4:-1.38 5:-1.54
1 0:-1.4 1:-1.9 2:0.09 3:0.29 4:-0.3 5:-1.3
1 0:-0.43 1:1.45 2:-0.68 3:-1.58 4:0.32 5:-0.14
1 0:-0.76 1:0.3 2:-0.57 3:-0.33 4:-1.5 5:1.84
小_测试.libsvm你知道吗
1 0:-0.97 1:-0.69 2:-0.96 3:1.05 4:0.02 5:0.64
0 0:-0.82 1:-0.17 2:-0.36 3:-1.99 4:-1.54 5:-0.31
w的值计算正确吗?p值结果是否是要比较的正确值?你知道吗
如有任何帮助,我们将不胜感激。你知道吗
我设法通过更改以下内容使值匹配:
至
从文档来看,默认的内核类型是非线性的(径向基函数)。设置线性核后,结果现在看起来是对齐的。你知道吗
以下是可用的内核类型:
相关问题 更多 >
编程相关推荐