如何在matlab svm图中得到决策边界的方程？

Question

我的数据
y n Rh y2
1 1 1.166666667 1
-1 2 0.5 1
-1 3 0.333333333 1
-1 4 0.166666667 1
1 5 1.666666667 2
1 6 1.333333333 1
-1 7 0.333333333 1
-1 8 0.333333333 1
1 9 0.833333333 1
1 10 2.333333333 2
1 11 1 1
-1 12 0.166666667 1
1 13 0.666666667 1
1 14 0.833333333 1
1 15 0.833333333 1
-1 16 0.333333333 1
-1 17 0.166666667 1
1 18 2 2
1 19 0.833333333 1
1 20 1.333333333 1
1 21 1.333333333 1
-1 22 0.166666667 1
-1 23 0.166666667 1
-1 24 0.333333333 1
-1 25 0.166666667 1
-1 26 0.166666667 1
-1 27 0.333333333 1
-1 28 0.166666667 1
-1 29 0.166666667 1
-1 30 0.5 1
1 31 0.833333333 1
-1 32 0.166666667 1
-1 33 0.333333333 1
-1 34 0.166666667 1
-1 35 0.166666667 1

我的代码r

  data=xlsread('btpdata.xlsx',1.)
  A = data(1:end,2:3)
  B = data(1:end,1)
  svmStruct = svmtrain(A,B,'showplot',true)
  hold on
  C = data(1:end,2:3)
  D = data(1:end,4)
  svmStruct = svmtrain(C,D,'showplot',true)
  hold off 

如何在给定的mat-lab图中得到这条黑线的近似方程？

Answer 1

这取决于您使用的是哪个包，但由于它是线性支持向量机，因此或多或少有两个选项：

• 您受过训练的svm包含属性coefs（有时称为w或weights）和b（或intercept）中的直线等式，所以你的行是<coefs, X> + b = 0
• 你的svm包含alphas（双系数，拉格朗日乘数），然后是coefs = SUM_i alphas_i * y_i * SV_i，其中SV_i是我的支持向量（你的情节中的圆圈）和{{1是它的标签（-1或+1）。有时y_i已经乘以alphas，然后乘以y_i。

如果您尝试从实际绘图（图像）中获取等式，那么您只能读取它（它或多或少coefs = SUM_i alphas_i * SV_i，这意味着y = 0.6和{{1}基于图像分析的方法（对于任意这样的图）将需要：

• 检测图像部分（物体检测）
• 读取刻度/比例（OCR +物体检测）＆lt; - 这实际上是最难的部分
• 过滤掉所有非黑色并执行线性回归到左边的点，然后通过之前检测到的比例进行变换。

Answer 2

我遇到了同样的问题。要建立决策边界的线性方程（y = mx + b），您需要梯度（m）和y轴截距（b）。 SVMStruct.Bias是b-term。渐变由SVM beta权重决定，SVMStruct不包含，因此您需要从alphas（包含在SVMStruct中）计算它们：

alphas = SVMStruct.Alpha;
SV = SVMStruct.SupportVectors;
betas = sum(alphas.*SV);
m = betas(1)/betas(2)

顺便说一下，如果您的SVM已经缩放了数据，那么我认为您需要对其进行缩放。