从数据集中查找最难分类的支持向量

Question

我正在尝试在MNIST数据集上训练svm分类器以区分两个字符。我使用的是C = 10和gamma = 10 ^ -6的指数内核。我还打印了支持向量：

clfretrainC=svm.SVC(C=Cfinal,kernel="rbf",gamma=gammafinal)
clfretrainC.fit(ReTraintotx,ReTraintoty)
Pefinal=1-clfretrainC.score(Testtotx,Testtoty)
print "Test Error"
print Pefinal

print "Number of Support Vectors"
print clfretrainC.support_vectors_
print clfretrainC.support_vectors_.shape

sv=clfretrainC.support_vectors_

但是，我希望找到最接近分离超平面的支持向量，因此最难分类。是否有允许我这样做的功能？

如果没有，我该怎么做？

Answer 1

如果您查看sklearn.svm.SVC的文档，您会看到：

  

decision_function（X）样本X到分离超平面的距离。

所以你可以做（​​对于n个最接近的向量）

clf.support_vectors_[np.abs(clf.decision_function(clf.support_vectors_)).argsort()[:n]]