我正在使用带有线性内核的 sklearn.svm.SVC，并且我想获得特征重要性，所以我使用属性 coeff_（如此处解释：https://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html）是一个形状为 [n_class * ( n_class-1) / 2, n_features]，例如我的情况，我有 10 个类和 54 个特征，所以形状是 [45,54]，
为什么我得到 45 个权重数组？这些数组中的每一个的含义是什么？因为直觉上我会期望 10 个权重数组，每个类一个
【问题讨论】：
标签： python scikit-learn svm
形状确实 [n_class * (n_class-1) / 2, n_features] 但为什么呢？
这是因为如果您有 2 个以上的类，即如果您遇到的问题是不是 二进制，那么 multiclass该功能的支持是根据一对一的方案处理的。
示例：
如果您有 3 个类，比如说 1,2,3，那么分类器将适用于以下情况：1vs2、1vs3 和 2vs3。所以在这里，我们有n_class * (n_class-1) / 2 = 3 * (3-1) / 2 = 3。
让我们验证一下：
import numpy as np
from sklearn.svm import SVC
X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
y = np.array([1, 1, 2, 3]) # 3 classes
clf = SVC(kernel='linear')
clf.fit(X, y)
print(clf.coef_)
[[-0.5 -0.5 ]
[-0.46153846 -0.30769231]
[-1. 0. ]]
这里，在clf.coef_中，每一行分别对应上述情况1vs2、1vs3和2vs3。因此，第一行即[-0.5, -0.5] 为您提供1vs2 分类拟合情况下的第一个和第二个特征/变量的系数。
P.S：在二进制分类的情况下，print(clf.coef_) 将只为1vs2 分类情况返回一行。
关于行的顺序：
在“one-vs-one” SVC 的情况下，属性的布局是 更多的参与。在具有线性内核的情况下， 属性 coef_ 和 intercept_ 的形状为 [n_class * (n_class - 1) / 2, n_features] 和 [n_class * (n_class - 1) / 2] 分别。 这类似于上述 LinearSVC 的布局，每个 行现在对应于二元分类器。第 0 类的顺序 到 n 是“0 对 1”、“0 对 2”、……“0 对 n”、“1 对 2”、“1 对 3”、“1 对 n”、 . . . “n-1 对 n”。
【讨论】：