Scikits Learn: как получить вес функций

Я имею дело с очень несбалансированным набором данных, и моя идея – получить значения весов функций из моей модели libSVM . На данный момент я в порядке с линейным ядром, где я могу получить вес элементов, но когда я использую rbf или poly , я не могу достичь своей цели.

Здесь я использую sklearn для своей модели, и легко получить весовые коэффициенты для линейного ядра с использованием .coef_ . Может ли кто-нибудь помочь мне сделать то же самое для rbf или poly ? То, что я пытался сделать до сих пор, приведен ниже:

 svr = SVC(C=10, cache_size=200, class_weight='auto', coef0=0.0, degree=3.0, gamma=0.12,kernel='rbf', max_iter=-1, probability=True, random_state=0,shrinking=True, tol=0.001, verbose=False) clf = svr.fit(data_train,target_train) print clf.coef_ 

One Solution collect form web for “Scikits Learn: как получить вес функций”

Это не только невозможно, как указано в документации :

Массы, приписываемые функциям (коэффициенты в основной задаче). Это доступно только в случае линейного ядра.

но и это не имеет смысла. В линейном SVM результирующая разделительная плоскость находится в том же пространстве, что и ваши входные функции. Поэтому его коэффициенты можно рассматривать как веса «размеров» ввода.

В других ядрах разделительная плоскость существует в другом пространстве – результате преобразования ядра исходного пространства. Его коэффициенты напрямую не связаны с входным пространством. На самом деле, для ядра rbf преобразованное пространство бесконечномерно (вы можете получить исходную точку на этом в Википедии, конечно)

  • Поддерживает ли SVM в sklearn инкрементное (онлайн) обучение?
  • Есть ли способ использовать рекурсивный выбор функций с нелинейными моделями с scikit-learn?
  • libsvm на PyBrain на OSX для SVM
  • как настроить параметры пользовательской функции ядра с помощью конвейера в scikit-learn
  • Предпочитаете один класс в libsvm (python)
  • AttributeError: объект 'module' не имеет атрибута 'SVM_LINEAR'
  • Поезд scikit svm один за другим (онлайн или стохастическое обучение)
  • SKLearn, как получить вероятностные решения для классификатора LinearSVC
  • Nu недопустимо
  • Вычисление функции решения SVM вручную
  • Правая функция для нормализации ввода SVM
  •  
    Interesting Posts for Van-Lav
    Python - лучший язык программирования в мире.