与 svm 相​​关的困惑

Question

我正在尝试理解这个与 svm http://www.mathworks.com/help/bioinfo/ref/svmclassify.html 相关的示例

我运行了获取虹膜数据的示例并绘制了示例中给出的 svm。然而，当我查看 svmstruct 中的支持向量时，我得到了很多新值。 AFAIK，支持向量应该是样本本身，位于边缘的那些。但是，当我打印 svmStruct.SupportVectors 时，我会得到不同的值，例如

-0.0073   -0.4143
   -0.3706   -0.4143
   -0.2495   -0.1789
   -0.1284    0.2919
   -0.0073   -0.4143
   -0.1284   -0.6498
    0.1139    0.0565
    0.2350   -0.1789
   -0.4918   -0.1789
   -0.2495   -0.4143
   -0.4918    0.0565
    0.1139   -0.4143
   -0.0073    0.2919
   -0.1284    0.2919
   -0.0073    0.2919
    0.2350   -0.4143
    0.8406   -0.6498
   -0.1284    0.2919
    0.2350    0.2919

这些不在样本点中。任何澄清

我也尝试运行我自己的示例 这就是我得到的。

我不明白分隔边界恰好位于其中一个样本点上。我不认为这是最好的超平面。我猜它应该定义了一些稍微低一些的决策边界。它也圈出了支持向量，我不确定那些应该是支持向量。最奇怪的是超平面到点的margin并不大。为什么会这样？

Answer 1

我根本不知道 mathworks，但根据您的链接，您使用 svmtrain() 函数（描述为 here）：

SupportVectors — 数据点矩阵，每行对应于标准化数据空间中的一个支持向量。该矩阵是训练输入数据矩阵的子集，在根据“AutoScale”参数应用归一化之后。

所以你的数据点只是被规范化了。尝试设置autoscale=false。

Answer 2

是的，snøreven 是对的。我只是让它更笼统：

每个机器学习问题都有两个阶段：

1. 训练模型
2. 测试/使用经过训练的模型

如果你有三个阶段，那就更好了：

1. 训练模型
2. 评估模型（它是否足以满足我的目的？）
3. 测试/使用经过训练的模型

Very short and basic introduction to ML

ML course

在您的特定情况下，您需要在 Matlab 中训练一个 SVM 分类模型，然后您可以通过 svmclassify 函数使用它。