SVM-OVO 与 SVM-OVA 的一个非常基本的例子

Question

为了了解 SVM-OVR（One-Vs-Rest）的工作原理，我测试了以下代码：

import matplotlib.pyplot as plt
import numpy as np
from sklearn.svm import SVC
x = np.array([[1,1.1],[1,2],[2,1]])
y = np.array([0,100,250])
classifier = SVC(kernel='linear', decision_function_shape='ovr')
classifier.fit(x,y)
print(classifier.predict([[1,2]]))
print(classifier.decision_function([[1,2]]))

输出是：

[100]
[[ 1.05322128  2.1947332  -0.20488118]]

表示样本[1,2]在class 100中被正确预测（很明显，因为[1,2]也被用于训练）。

但是，让我们看一下决策函数。 SVM-OVA 应该生成三个 classifier，即三行。第一个将 class1 与 class2 U class3 分开，第二个将 class2 与 class1 U class3 分开，第三个将 class3 与 class1 U class2 分开。我最初的目标正是了解决策函数值的含义。我知道正值意味着样本在平面的右侧，反之亦然；并且值越大，样本与超平面（在本例中为一条线）之间的距离越大，样本属于 class.

的置信度就越大

然而，由于两个决策函数值是正的，所以显然有些地方是错误的，而假设只有正确的 class 应该报告一个正的决策函数（因为预测值也是训练样本）。出于这个原因，我尝试绘制分隔线。

fig, ax = plt.subplots()
ax.scatter(x[:, 0], x[:, 1], c=y, cmap=plt.cm.winter, s=25)
# create a mesh to plot in
x_min, x_max = x[:, 0].min() - 1, x[:, 0].max() + 1
y_min, y_max = x[:, 1].min() - 1, x[:, 1].max() + 1
xx2, yy2 = np.meshgrid(np.arange(x_min, x_max, .2),np.arange(y_min, y_max, .2))
Z = classifier.predict(np.c_[xx2.ravel(), yy2.ravel()])
Z = Z.reshape(xx2.shape)
ax.contourf(xx2, yy2, Z, cmap=plt.cm.winter, alpha=0.3)

w = classifier.coef_[0]
a = -w[0] / w[1]
xx = np.linspace(-5, 5)
yy = a * xx - (classifier.intercept_[0]) / w[1]
ax.plot(xx,yy)

w = classifier.coef_[1]
a = -w[0] / w[1]
xx = np.linspace(-5, 5)
yy = a * xx - (classifier.intercept_[1]) / w[1]
ax.plot(xx,yy)

w = classifier.coef_[2]
a = -w[0] / w[1]
xx = np.linspace(-5, 5)
yy = a * xx - (classifier.intercept_[2]) / w[1]
ax.plot(xx,yy)

ax.axis([x_min, x_max,y_min, y_max])
plt.show()

这是我得到的：

惊喜：确实，当计算 OVO（一对一）策略时，那些分隔线代表超平面：实际上，您可以注意到这些线将 class1 与 class2 分开， class2 来自 class3 和 class1 来自 class3.

我也试过添加 class:

import matplotlib.pyplot as plt
import numpy as np
from sklearn.svm import SVC
x = np.array([[1,1.1],[1,2],[2,1],[3,3]])
y = np.array([0,100,250, 500])
classifier = SVC(kernel='linear', decision_function_shape='ovr')
classifier.fit(x,y)

代表决策函数的向量的长度等于 4（根据 OVA 策略），但又生成了 6 行（就像我实施了 OVO 策略一样）。

classifier.decision_function([[1,2]])
[[ 2.14182753  3.23543808  0.83375105 -0.22753309]]

classifier.coef_
array([[ 0.        , -0.9       ],
   [-1.        ,  0.1       ],
   [-0.52562421, -0.49934299],
   [-1.        ,  1.        ],
   [-0.8       , -0.4       ],
   [-0.4       , -0.8       ]])

我的最后一个问题：决策函数值代表什么？为什么即使在应用 OVA 策略时，也会生成 n(n-1)/2 个超平面，而不是 n 个？

Answer 1

重点是，默认情况下，SVM 会实施 OvO 策略（请参阅 here 以供参考）。

SVC and NuSVC implement the “one-versus-one” approach for multi-class classification.

同时，默认情况下（即使在您的情况下您已经明确表示）decision_function_shape 设置为 'ovr'。

"To provide a consistent interface with other classifiers, the decision_function_shape option allows to monotonically transform the results of the “one-versus-one” classifiers to a “one-vs-rest” decision function of shape (n_samples, n_classes).

实施 OvO 策略的原因是 SVM 算法无法根据训练集的大小进行扩展（并且使用 OvO 策略时，每个分类器仅在与类它必须区分）。原则上，您可以通过 OneVsRestClassifier 的实例强制 SVM 分类器实现 OvA 策略，例如：

ovr_svc = OneVsRestClassifier(SVC(kernel='linear'))

SVM-OVO 与 SVM-OVA 的一个非常基本的例子

SVM-OVO vs SVM-OVA in a very basic example

python

machine-learning

scikit-learn

svm

multiclass-classification