如何用一个特征绘制支持向量机超平面

Question

我有一个具有一个特征的数据集，我正在使用scikit学习训练一个支持向量分类器。我想把结果形象化，但我对如何绘制散布图有点困惑。我将通过以下操作获得我的超平面：

slope = clf.coef_[0][0]
intercept = clf.intercept_[0]

也就是说y=-.01x+2.5

我假设这是我的超平面。我似乎不知道如何用一个特性来绘制数据。y轴用什么？你知道吗

Answer 1

这是一个有趣的问题。表面上很简单-一个特征意味着一个维度，因此超平面必须是0维的，即一个点。然而，scikit所学到的只是一句台词。所以问题是如何把这条线变成一个点。你知道吗

我花了大约一个小时在sciket learn的文档中寻找答案，但是在1-dsvm分类器上却什么都没有（可能是因为它们不实用）。因此，我决定玩下面的示例代码，看看是否能找到答案：

from sklearn import svm

n_samples = 100
X = np.concatenate([np.random.normal(0,0.1,n_samples), np.random.normal(10,0.1,n_samples)]).reshape(-1,1)
y = np.array([0]*n_samples+[1]*n_samples)
clf = svm.LinearSVC(max_iter = 10000)
clf.fit(X,y)  
slope = clf.coef_
intercept = clf.intercept_
print(slope, intercept)
print(-intercept/slope)

X是样本的数组，使得前100个点从N（0,0.1）采样，而下100个点从N（10,0.1）采样。y是标签数组（类“0”的100和类“1”的100）。很明显，超平面应该在0到10之间。你知道吗

一旦你拟合了分类器，你会发现截距大约是-0.96，这离0-d超平面（即一个点）应该在的地方很远。然而，如果你取y=0并反算x，它将非常接近5。现在试着改变组成X的分布的平均值，你会发现答案总是-intercept/slope。这就是分类器的0-d超平面（点）。你知道吗

因此，为了可视化，只需将数据绘制在一条数字线上（对类使用不同的颜色），然后绘制通过将负截距除以斜率得到的边界。我不知道如何绘制一条数字线，但您可以始终使用散点图，将所有y坐标设置为0。你知道吗