带有线性内核的 sklearn svc 提供了奇怪的支持向量答案

【问题标题】：sklearn svc with linear kernel provide strange support vectors带有线性内核的 sklearn svc 提供了奇怪的支持向量
【发布时间】：2014-07-06 01:52:10
【问题描述】：

代码：

from sklearn import svm

def testsvm():
    t_d = [[1,1], [1,-1], [-1,-1], [-1, 1], [-0.0001, 0.0001], [0,0], [-1, -1.0001]]
    y = [1,-1,1,1, 1, 1, -1]

    clf = svm.SVC(kernel='linear', C=1)
    clf.fit(t_d, y)

    print clf.support_vectors_
    print clf

结果是：

[[ 1.     -1.    ]  
 [-1.     -1.0001]  
 [-1.     -1.    ]  
 [ 0.      0. ]]

但就我而言，支持向量应该是：

[[1,1]
 [0,0]
 [-1,-1]
 [-1.     -1.0001]]

如果边距彼此平行，[1,-1] 不应该省略吗？

我的代码有什么问题吗？如果是这样，请指出我。非常感谢提前

【问题讨论】：

标签： python machine-learning scikit-learn svm

【解决方案1】：

您使用的C 太小，而且您没有得到您正在考虑的“硬边距 SVM”，而是一个“软”版本，它具有更多支持向量（不完全在“边距边界”）。

设置clf = svm.SVC(kernel='linear', C=100000000)，一切都会好起来的

[[ 1.     -1.    ]
 [-1.     -1.0001]
 [-1.     -1.    ]]

您可以使用来自http://scikit-learn.org/stable/auto_examples/svm/plot_svm_margin.html 的代码来调查分离超平面的确切位置和边距大小。

【讨论】：