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:
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
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。
答案 0 :(得分: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)
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