如何在matplotlib中绘制具有超过2个特征的sklearn svm的超平面？

Question

3

我有一个scikits-learn线性支持向量机分类器(SVM.SVC)，用于将文本分类为两类(-1,1)。该分类器使用来自训练集的250个特征进行预测，并且分类效果还不错。

然而，我无法弄清如何在matplotlib中绘制超平面或支持向量。所有在线示例仅使用2个特征来导出决策边界和支持向量点。我似乎找不到任何绘制具有超过2个特征或缺少固定特征的超平面或支持向量的示例。我知道这里缺少了一个基本的数学步骤，希望能得到帮助。

- user1882766

你可以尝试使用PCA或PCoA来降低特征空间的维度。 - Korem

有道理，但这是否是分类器支持向量和决策边界的公平表示呢？展示这个分类器的“如何”几乎和它的结果一样重要。在svm分类图中使用PCA来降低维度是一种常见做法吗？ - user1882766

1个回答

网页内容由stack overflow 提供, 点击上面的

可以查看英文原文，
原文链接

- drenerbas · Accepted Answer

如果您的线性SVM分类器工作得很好，那么这意味着存在一个超平面可以将您的数据分开。因此，将有一个漂亮的二维几何表示决策边界。

要理解“如何”，您需要查看支持向量本身，查看哪些支持向量对超平面的哪一侧有贡献，例如通过将单个支持向量馈入训练过的分类器。总的来说，可视化文本算法并不直观。