我正在为二进制分类问题运行一系列SVM分类器，并且就分类准确性而言，我的结果非常好。
我的分析的下一步是了解不同特征如何促进分类。根据文档，Matlab的fitcsvm函数返回一个类SVMModel，其中有一个名为“Beta”的字段，定义为：
来自原始线性问题的训练分类器系数的数值向量。 Beta的长度等于预测变量的数量（即大小（SVMModel.X，2））。
我不太清楚如何解释这些值。我假设更高的值代表给定特征对支持向量的更大贡献？负权重是什么意思？这些权重在某种程度上类似于线性回归模型中的β参数吗？
感谢您提供任何帮助和建议。
---- 更新3/5/15 ----
仔细观察描述线性SVM的方程式，我非常确定Beta必须与primal form中的 w 相对应。
唯一的另一个参数是 b ，它只是偏移量。
鉴于此，并且给定this explanation，似乎取系数的平方或绝对值提供了每个特征的相对重要性的度量。
据我了解，这种解释仅适用于线性二进制SVM问题。
这对人们来说是否合理？
答案 0 :(得分：1)
直观地，人们可以将特征权重的绝对值视为衡量其重要性的指标。但是，在一般情况下并非如此，因为权重表示特征值的边际变化会对输出产生多大影响，这意味着它取决于要素的比例。例如，如果我们有一个以年为单位的“年龄”特征，但是我们将其改为几个月，相应的系数将除以12，但显然，这并不意味着年龄现在不那么重要了！
解决方案是扩展数据（这通常是一种很好的做法）。
如果数据被缩放，你的直觉是正确的，事实上，有一种特征选择方法可以做到这一点：选择具有最高绝对权重的特征。见http://jmlr.csail.mit.edu/proceedings/papers/v3/chang08a/chang08a.pdf
请注意，这仅适用于线性SVM。
