我在 python 中使用 scikit 包实现 SVM。我在解释plot_separating_hyperplane.py中的“alpha i”值时遇到了困难
import numpy as np
import pylab as pl
from sklearn import svm
# we create 40 separable points
np.random.seed(0)
X = np.r_[np.random.randn(20, 2) - [2, 2], np.random.randn(20, 2) + [2, 2]]
Y = [0] * 20 + [1] * 20
# fit the model
clf = svm.SVC(kernel='linear')
clf.fit(X, Y)
print clf.support_vectors_
#support_vectors_ prints the support vectors
print clf.dual_coef_
#dual_coef_ gives us the "alpha i, y i" value for all support vectors
样本输出
Dual_coef_ = [[ 0.04825885 0.56891844 -0.61717729]]
Support Vectors =
[[-1.02126202 0.2408932 ]
[-0.46722079 -0.53064123]
[ 0.95144703 0.57998206]]
Dual_coef_ 为我们提供了“alpha i * y i”值。我们可以确认“alpha i * y i”的总和 = 0 (0.04825885 + 0.56891844 - 0.61717729 = 0)
我想找出“alpha i”值。这应该很容易，因为我们有“alpha i * y i”值。但我让所有的“阿尔法我”都是负面的。例如，点 (0.95144703, 0.57998206) 位于直线上方（参见链接）。所以 y = +1。如果 y = +1，则 alpha 将为 -0.61717729。同样，点 (-1.02126202, 0.2408932) 位于该线下方。所以 y = -1，因此 alpha = -0.04825885。
为什么我的 alpha 值为负数？ 我的解释错了吗？任何帮助将不胜感激。
供你参考，
对于支持向量分类器 (SVC)，
给定训练向量 , i=1,..., n, 在两个类别中，以及一个向量使得 ，SVC 解决了以下原始问题：
它的对偶是
其中'e'是全1的向量，C > 0是上界，Q是n乘n半正定矩阵，
是
核。在这里，训练向量被函数映射到更高的（可能是无限的）维空间。