Я тестировал образцы машин опорных векторов ядра для задач регрессии и хотел бы знать, как вы получаете уравнение модели.
Например, если машина создана с использованием полиномиального ядра (степень = 1), как получить линейное уравнение (mx + b) этой модели. Есть ли какой-либо метод в классе SupportVectorMachine для получения уравнения модели? или есть ли способ вычислить параметры уравнения из переменных, полученных после создания машины.
Заранее спасибо.
Похоже, вы можете использовать этот метод ниже:
ToWeights(), который
Преобразует машину с линейным ядром в массив линейных коэффициентов. Первая позиция в массиве — пороговое значение.
Таким образом, на вашем языке первая позиция в массиве — это смещение b, а остальные — ваши линейные коэффициенты m.
x и y, разве вы не должны ожидать, что формула будет чем-то вроде z = xa + yb + c вместо y = mx? В этом случае, если фреймворк выдает в качестве вывода массив {0, 4, 0}, это означает c = 0 (первый — порог/смещение), а затем a = 4 и b = 0.
- person Cesar; 08.07.2017
Я получил странные коэффициенты от ToWeights() при использовании SequentialMinimalOptimization(), из которых я не мог вывести уравнение гиперплоскости. Однако использование LinearCoordinateDescent() дало полезные коэффициенты для модели в виде [a,b,c...], которые можно было подставить как 0 = a + bx + cy +... Надеюсь, это поможет!
Как отметил @zrolfs, если вы используете Accord.NET с последовательной минимальной оптимизацией, функция ToWeights() в настоящее время не возвращает соответствующие коэффициенты для функции принятия решений. Тем не менее, вы можете рассчитать эти коэффициенты напрямую. Для этого умножьте вектор весов SVM на матрицу опорных векторов, например:
double[] DecisionFunctionCoefficients = new double[dwTotalFeatures];
for (int iFeature = 0; iFeature < dwTotalFeatures; iFeature++) {
for (int iVector = 0; iVector < SVM.SupportVectors.Length; iVector++) {
DecisionFunctionCoefficients[iFeature] += (SVM.SupportVectors[iVector][iFeature] * SVM.Weights[iVector]);
}
}
