默认情况下，SKLearn 在多类情况下训练 SVM 时使用One vs One 分类方案。
我有点困惑，当您调用 svm.n_support_ 或 svm.support_vectors_ 等属性时，您会得到哪些支持向量？例如，在 iris 数据集的情况下，有 3 个类，因此应该总共构建 3*(3-1)/2 = 3 个不同的 SVM 分类器。您要返回哪个分类器的支持向量？
【问题讨论】：
标签： scikit-learn svm
所有 3 个分类器的所有支持向量。
看看svm.support_.shape 是 45。
19+19+7 = 45。全部加起来。
此外，如果您查看svm.support_vectors_.shape，它将是 (45,4) - [n_SV, n_features]。同样有意义，因为我们在 iris 数据集中有 45 个支持向量和 4 个特征。
【讨论】：
更新：
dual_coef_是关键，为您提供决策函数中支持向量的系数。 “每个支持向量都用于 n_class - 1 个分类器。每行中的 n_class - 1 个条目对应于这些分类器的对偶系数。” .看看本节的最后（1.4.1.1），表格解释清楚了http://scikit-learn.org/stable/modules/svm.html#multi-class-classification）
实现细节也让我很困惑。多类决策函数中支持向量的系数是非平凡的。
但是，每当我想详细了解所选支持向量的特定属性时，我都会使用以下经验法则：
y[svm.support_]
输出：
array([0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1,
1, 1, 1, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2, 2])
通过这种方式，您可以了解（可能出于调试目的）哪个支持向量对应于哪个类。当然你也可以检查支持向量：
X[svm.support_]
我的直觉是，正如它的名字所示，你从所涉及的类别中抽取样本子集。假设我们有 3 个类别 A、B 和 C：
所以svm.support_vectors_ 返回所有支持向量，但是它在decision_function 中的使用方式对我来说仍然很棘手，因为我不确定它是否可以使用例如来自的支持向量A vs. B 当做 A vs. C 时 - 我找不到实现细节 (http://scikit-learn.org/stable/modules/generated/sklearn.multiclass.OneVsOneClassifier.html#sklearn.multiclass.OneVsOneClassifier.decision_function)
【讨论】：