获得支持向量机的决策边界

要获得线性模型决策边界线的方程,需要同时获得 coef_ intercept_ . 还请注意,由于您使用的是SVC,因此将涉及多个决策边界。

y = w0 + w1 * x1 + w2 * x2 + ...

哪里 w0 获得自 , w1 在中可以找到后续项 系数_ x1 你的特点是什么。

例如,这段代码向您展示了如何打印出每个决策边界的方程。

from sklearn import svm
import numpy as np

clf = svm.SVC(kernel="linear")

X = np.array([[1, 2], [3, 4], [5, 1], [6, 2]])
y = np.array(["A", "B", "A", "C"])

clf.fit(X, y)

for (intercept, coef) in zip(clf.intercept_, clf.coef_):
    s = "y = {0:.3f}".format(intercept)
    for (i, c) in enumerate(coef):
        s += " + {0:.3f} * x{1}".format(c, i)

    print(s)

在本例中,测线确定为:

y = 2.800 + -0.200 * x0 + -0.800 * x1
y = 7.000 + -1.000 * x0 + -1.000 * x1
y = 1.154 + -0.462 * x0 + 0.308 * x1

http://scikit-learn.org/stable/modules/linear_model.html

如果你想绘制线性图,即y=ax+b,那么你可以使用下面的代码块

tmp = clf.coef_[0]
a = - tmp[0] / tmp[1]

b = - (clf.intercept_[0]) / tmp[1]

xx = np.linspace(xlim[0], xlim[1])
yy = a * xx + b
plt.plot(xx, yy)

希望这有帮助!

谢谢@Prem和@ChristopherWells-这真的很有帮助。我结合了这两个答案,因为在Prem的代码中没有包含y\u目标(->参见Christopher的答案),这对于y\u目标=0很好。

logRegression tutorial from scikitLearn . 我插入了以下代码:

mf = logreg.intercept_.shape[0];
xm = np.r_[np.min(X),np.max(X)]
yf = logreg.classes_.copy()
xm = np.r_[np.min(X),np.max(X)]

for jf in np.arange(mf):
    tmp = logreg.coef_[jf]
    a = - tmp[0] / tmp[1]; 
    b = - (logreg.intercept_[jf]-yf[jf]) / tmp[1]
    yy = a * xm + b
    plt.plot(xm, yy, label='Coeff ='+str(jf))
plt.legend()
plt.show()