我有一个具有一个特征的数据集，我正在使用 scikit-learn 训练一个支持向量分类器。我想可视化结果，但我对如何绘制散点图有点困惑。我通过执行以下操作来获得我的超平面：
slope = clf.coef_[0][0]
intercept = clf.intercept_[0]
这给了我 y = -.01x + 2.5
我假设这是我的超平面。我似乎无法弄清楚如何仅使用一个功能来绘制我的数据。我的 y 轴应该使用什么？
【问题讨论】：
标签： python machine-learning scikit-learn svm data-analysis
这是一个有趣的问题。从表面上看，它非常简单——一个特征意味着一维，因此超平面必须是 0 维，即一个点。然而 scikit-learn 给你的是一条线。所以问题实际上是如何把这条线变成一个点。
我花了大约一个小时在 scikit-learn 的文档中寻找答案，但一维 SVM 分类器根本没有任何内容（可能是因为它们不实用）。所以我决定用下面的示例代码来看看我是否能找到答案：
from sklearn import svm
n_samples = 100
X = np.concatenate([np.random.normal(0,0.1,n_samples), np.random.normal(10,0.1,n_samples)]).reshape(-1,1)
y = np.array([0]*n_samples+[1]*n_samples)
clf = svm.LinearSVC(max_iter = 10000)
clf.fit(X,y)
slope = clf.coef_
intercept = clf.intercept_
print(slope, intercept)
print(-intercept/slope)
X 是样本数组，前 100 个点从 N(0,0.1) 中采样，接下来的 100 个点从 N(10,0.1) 中采样。 y 是标签数组（“0”类的 100 个和“1”类的 100 个）。直观地说，超平面应该在 0 到 10 之间。
一旦你拟合了分类器，你就会发现截距大约是 -0.96，这与 0-d 超平面（即一个点）应该在的位置相去甚远。但是，如果您取y=0 并反算x，它将非常接近5。现在尝试更改构成X 的分布的均值，您会发现答案始终是-intercept/slope。这就是分类器的 0 维超平面（点）。
因此，要进行可视化，您只需将数据绘制在数轴上（为类使用不同的颜色），然后绘制通过将负截距除以斜率获得的边界。我不确定如何绘制数轴，但您始终可以使用散点图，将所有 y 坐标设置为 0。
【讨论】：