我正在尝试使用Python库SKLearn手动计算SVC分类器的decision_function（而不是使用内置方法）。

我已经尝试了几种方法，但是，当我don't扩展我的数据。

z是一个测试数据（已缩放），我认为其他变量本身就说明了问题（另外，如果从代码中看不出来，我正在使用 rbf 内核）。

以下是我尝试过的方法：

1 循环方法：

dec_func = 0
for j in range(np.shape(sup_vecs)[0]):

    norm2 = np.linalg.norm(sup_vecs[j, :] - z)**2 
    dec_func = dec_func + dual_coefs[0, j] * np.exp(-gamma*norm2)

dec_func += intercept

2 向量化方法

diff = sup_vecs - z
norm2 = np.sum(np.sqrt(diff*diff), 1)**2
dec_func = dual_coefs.dot(np.exp(-gamma_params*norm2)) + intercept

然而，这些都不会返回与decision_function。我认为这可能与重新调整我的价值观有关，或者更可能是我一直忽视的一些愚蠢的事情！

任何帮助，将不胜感激。

经过一番挖掘和摸索之后，我已经弄清楚了。

正如我上面提到的z是经过缩放的测试数据。为了缩放它我必须提取.mean_ and .std_来自 preprocessing.StandardScaler() 对象的属性（当然是在我的训练数据上调用 .fit() 之后）。

当时我正在使用这个缩放的z作为我的手动计算和内置函数的输入。然而，内置函数是管道的一部分，该管道已经将 StandardScaler 作为管道中的第一个“管道”，因此z被缩放了两次！ 因此，当我从管道中删除缩放时，手动答案“匹配”内置函数的答案。

顺便说一句，我在引号中说“匹配”，因为我发现我总是必须翻转手动计算的符号以匹配内置版本。目前我不知道为什么会这样。

总而言之，我误解了管道的工作原理。

对于那些感兴趣的人，这是我的手动方法的最终版本：

diff = sup_vecs - z_scaled
# Looping Method
dec_func_loop = 0
for j in range(np.shape(sup_vecs)[0]):
    norm2 = np.linalg.norm(diff[j,:]) 
    dec_func_loop = dec_func_loop + dual_coefs[j] * np.exp(-gamma*(norm2**2))

dec_func_loop = -1 * (dec_func_loop - intercept)

# Vectorized method
norm2 = np.array([np.linalg.norm(diff[n, :]) for n in range(np.shape(sup_vecs)[0])])
dec_func_vec = -1 * (dual_coefs.dot(np.exp(-gamma*(norm2**2))) - intercept)

Addendum

对于那些有兴趣为多类 SVC 实现手动方法的人，以下链接会有所帮助：https://stackoverflow.com/a/27752709/1182556