从最难分类的数据集中寻找支持向量

Question

我尝试在MNIST数据集上训练svm分类器来区分两个字符。我使用的是C=10，gamma=10^-6的指数核。我还打印了支持向量：

clfretrainC=svm.SVC(C=Cfinal,kernel="rbf",gamma=gammafinal)
clfretrainC.fit(ReTraintotx,ReTraintoty)
Pefinal=1-clfretrainC.score(Testtotx,Testtoty)
print "Test Error"
print Pefinal

print "Number of Support Vectors"
print clfretrainC.support_vectors_
print clfretrainC.support_vectors_.shape

sv=clfretrainC.support_vectors_

然而，我希望找到最接近分离超平面的支持向量，因此最难分类。有没有一个函数允许我这样做？你知道吗

如果没有，我该怎么办？你知道吗

Answer 1

如果你看文件sklearn.svm.SVC您将看到：

decision_function(X) Distance of the samples X to the separating hyperplane.

所以你可以（对于n个最近的向量）

clf.support_vectors_[np.abs(clf.decision_function(clf.support_vectors_)).argsort()[:n]]