我正在使用scikit-learn的LinearSVC SVM实现，并且我正在尝试理解多类预测。看着coef_和intercept_我可以得到超平面权重。例如，关于我的学习问题，我有两个功能和四个标签
f0 = 1.99861379*x1 - 0.09489263*x2 + 0.89433196
f1 = -2.04309715*x1 - 3.51285420*x2 - 3.1206355
f2 = 0.73536996*x1 + 2.52111207*x2 - 3.04176149
f3 = -0.56607817*x1 - 0.16981337*x2 - 0.92804815
当我使用decision_function方法时，我得到与上述函数对应的值。但是documentation说
样本的置信度得分是其签名距离 样本到超平面。
但是decision_function没有返回有符号的距离，它只返回f（）。
更具体地说，我假设LinearSVC使用具有常数1特征的标准技巧来表示阈值。 （这可能是错误的。）对于我的示例问题，这给出了一个三维特征空间，其中实例的形式总是（1，x1，x2）。假设没有其他阈值项，算法学习在该三维空间中穿过原点的超平面w =（w0，w1，w2）。现在我得到一个预测点，称之为z =（1，a，b）。该点到超平面的符号距离（边距）是多少？它只是点（w，z）/ 2norm（w）。 LinearSVC代码返回点（w，z）
谢谢， 克里斯