python - 为什么支持向量机二元分类中的决策边界在我的图上重叠？

Question

已关闭。此问题不符合 Stack Overflow guidelines 。目前不接受答案。

---

这个问题似乎与 help center 中定义的范围内的编程无关。 .

已关闭 2 年前。

Improve this question

我正在使用 scikit 执行二元分类。就预测而言，一切似乎都是有序的，但是当我绘制决策边界时，决策边界是重叠的(参见绘图)。现在我意识到 MULTICLASS SVM 将不可避免地导致决策边界重叠，但为什么二元 SVM 分类会出现这种情况呢？据我所知，它们永远不应该重叠，因为空间被分成两部分。那么知道为什么我的绘图看起来如此困惑并且有如此多不同的颜色，而应该只有两种颜色吗？是我的阴谋吗？谢谢。

Updated Picture with subplots

def createSVMandPlot(X,y,x_name,y_name):

    h = .02  # step size in the mesh

    # we create an instance of SVM and fit out data. We do not scale our
    # data since we want to plot the support vectors
    C = 1.0  # SVM regularization parameter
    svc = svm.SVC(kernel='linear', C=C).fit(X, y) #1 vs 1 
    rbf_svc = svm.SVC(kernel='rbf', gamma='scale', C=C).fit(X, y) #1v1
    poly_svc = svm.SVC(kernel='poly', degree=3, gamma='scale',C=C).fit(X, y) #1v1
    lin_svc = svm.LinearSVC(C=C).fit(X, y) #1 vs rest

    print(str(x_name)+' vs. '+str(y_name))
    for i, clf in enumerate((svc, lin_svc, rbf_svc, poly_svc)):

        X_pred=clf.predict(X)
        X_pred1=np.asarray(X_pred).reshape(len(X_pred),1)
        A=confusion_matrix(X_pred1, y)
        print(A)
        c=0
        for r in range(len(X_pred)):
            if X_pred[r]==y[r]:
                c+=1

        print(str(c)+' out of 34 predicted correctly (true positives)')


    =============================================================================
    with warnings.catch_warnings():

        warnings.filterwarnings("ignore")
        =============================================================================


        x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
        y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
        xx, yy = np.meshgrid(np.arange(x_min, x_max, h),
                             np.arange(y_min, y_max, h))

        # title for the plots
        titles = ['SVC w/ linear kernel',
                  'LinearSVC (w/ linear kernel)',
                  'SVM w/ RBF kernel',
                  'SVM w/ poly(degree 3) kernel']

        plt.pause(7)
        for i, clf in enumerate((svc, lin_svc, rbf_svc, poly_svc)):
            # point in the mesh [x_min, x_max]x[y_min, y_max].
            plt.subplot(2, 2, i + 1)
            plt.subplots_adjust(wspace=0.4, hspace=0.4)

            Z = clf.predict(np.c_[xx.ravel(), yy.ravel()])

            # Put the result into a color plot
            Z = Z.reshape(xx.shape)
            plt.contourf(xx, yy, Z, alpha=.5)

            # Plot also the training points
            plt.scatter(X[:, 0], X[:, 1], s=13,c=y)
            plt.xlabel(x_name)
            plt.ylabel(y_name)
            plt.xlim(xx.min(), xx.max())
            plt.ylim(yy.min(), yy.max())
            plt.xticks(())
            plt.yticks(())
            plt.title(titles[i])

            plt.show() 

Answer 1

因为你有四个不同的支持向量机:

svc、rbf_svc、poly_svc 和 lin_svc

并且您正在迭代地绘制所有这些。这就是您看到重叠边界的原因，因为同一个图中显示了 4 个不同的边界