1循环方法：

Question

我试图使用python库SKLearn手动计算SVC分类器的decision_function（而不是使用内置方法）。

我尝试了多种方法，但是，当我不扩展我的数据时，我只能进行手动计算。

z是一个测试数据（已被缩放），我认为其他变量不言自明（同样，我使用rbf内核，如果代码中不明显的话）

以下是我尝试过的方法：

1循环方法：

dec_func = 0
for j in range(np.shape(sup_vecs)[0]):

    norm2 = np.linalg.norm(sup_vecs[j, :] - z)**2 
    dec_func = dec_func + dual_coefs[0, j] * np.exp(-gamma*norm2)

dec_func += intercept

2矢量化方法

diff = sup_vecs - z
norm2 = np.sum(np.sqrt(diff*diff), 1)**2
dec_func = dual_coefs.dot(np.exp(-gamma_params*norm2)) + intercept

但是，这些都不会返回与decision_function相同的值。我认为这可能与重新调整我的价值观有关，或者更可能与我过度看待的东西有关！

任何帮助都将不胜感激。

Answer 1

因此，经过多次挖掘和头部刮擦，我已经弄明白了。

正如我上面提到的，z是一个已经缩放的测试数据。为了扩展它，我必须从preprocessing.StandardScaler（）对象中提取.mean_和.std_属性（当然在我的训练数据上调用.fit（）之后）。

然后我使用这个缩放的z作为我的手动计算和内置函数的输入。然而，内置函数是管道的一部分，已经将StandardScaler作为管道中的第一个“管道”，因此z被缩放两次！因此，当我从管道中删除缩放时，手册回答“匹配”内置函数的答案。

我在引号中说“匹配”，因为我发现我总是不得不翻转手动计算的符号以匹配内置版本。目前我不知道为什么会这样。

总而言之，我误解了管道的工作原理。

对于那些感兴趣的人，这是我的手动方法的最终版本：

diff = sup_vecs - z_scaled
# Looping Method
dec_func_loop = 0
for j in range(np.shape(sup_vecs)[0]):
    norm2 = np.linalg.norm(diff[j,:]) 
    dec_func_loop = dec_func_loop + dual_coefs[j] * np.exp(-gamma*(norm2**2))

dec_func_loop = -1 * (dec_func_loop - intercept)

# Vectorized method
norm2 = np.array([np.linalg.norm(diff[n, :]) for n in range(np.shape(sup_vecs)[0])])
dec_func_vec = -1 * (dual_coefs.dot(np.exp(-gamma*(norm2**2))) - intercept)

附录

对于有兴趣实现多类SVC的手动方法的人，以下链接很有用：https://stackoverflow.com/a/27752709/1182556

手动计算SVM的决策函数

1循环方法：

2矢量化方法

1 个答案:

附录