我的数据集有特征列和目标标签 0 和 1。
当我使用 SVM 分类器进行二元分类时，它的预测效果很好。
但我的问题是它是如何在数学上预测的？
边缘超平面 H1 和 H2 具有以下方程： W^T X +b >= 1
表示如果大于+1，则属于一类。如果小于 -1，则属于另一类。
但是我们给了目标标签0和1。
它实际上是如何在数学上完成的？
请各位高手......
【问题讨论】：
标签： python dataset classification svm svc
基本上，SVM 想要找到分割数据点的最佳超平面，使得每个类的最近数据点（所谓的支持向量）之间的边距最大化。这一切都分解为以下拉格朗日优化问题：
w：确定最优超平面的向量（为了直觉，让自己熟悉点积的几何意义）
(w^T∙x_i+b) 是一个标量，显示几何距离 单个数据点 x_i 与最大边距超平面之间
b 是一个偏置向量（我认为它来自不确定的积分 SVM 的推导）更多信息，您可以在这里找到： University Stanford -Computer Science Lecture 3-SVM
λ_i拉格朗日乘数
y_i归一化分类边界
解决优化问题会得到 w、b 和 lambda 的所有必要参数。
一句话回答你的问题：类边界[-1,1]是任意设置的。这真的只是定义。
二进制数据 [0;1]（所谓的虚拟变量）的标签与边界无关。这只是标记二进制数据的一种便捷方式。标签仅用于将特征链接到其相应的类或类别。
公式 (8) 中唯一的非参数是 x_i ，即特征空间中的数据点。
至少我是这么理解 SVM 的。 如果我有错误或不准确，请随时纠正我。
【讨论】：