Scikit Learn SVC Decision_function 和预测

我试图理解 Decision_function 和 Predict 之间的关系，它们是 SVC 的实例方法（http://scikit-learn.org/stable/modules/ generated/sklearn.svm.SVC.html http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html）。到目前为止，我已经收集到决策函数返回类之间的成对分数。我的印象是预测会选择最大化其成对分数的类别，但我对此进行了测试并得到了不同的结果。这是我用来尝试理解两者之间关系的代码。首先，我生成了成对得分矩阵，然后打印出具有最大成对得分的类，该类与 clf.predict 预测的类不同。

        result = clf.decision_function(vector)[0]
        counter = 0
        num_classes = len(clf.classes_)
        pairwise_scores = np.zeros((num_classes, num_classes))
        for r in xrange(num_classes):
            for j in xrange(r + 1, num_classes):
                pairwise_scores[r][j] = result[counter]
                pairwise_scores[j][r] = -result[counter]
                counter += 1

        index = np.argmax(pairwise_scores)
        class = index_star / num_classes
        print class
        print clf.predict(vector)[0]

有谁知道这些预测和决策函数之间的关系吗？

我不完全理解您的代码，但让我们看一下您引用的文档页面中的示例：

import numpy as np
X = np.array([[-1, -1], [-2, -1], [1, 1], [2, 1]])
y = np.array([1, 1, 2, 2])
from sklearn.svm import SVC
clf = SVC()
clf.fit(X, y) 

现在让我们将 Decision_function() 和 Predict() 应用于样本：

clf.decision_function(X)
clf.predict(X)

我们得到的输出是：

array([[-1.00052254],
       [-1.00006594],
       [ 1.00029424],
       [ 1.00029424]])
array([1, 1, 2, 2])

这很容易解释：决策函数告诉我们我们位于分类器生成的超平面的哪一侧（以及距离它有多远）。根据该信息，估计器然后使用相应的标签来标记示例。