Python - Vorhersagen mithilfe des Anpassungsmodells von Linear SVM manuell

Question

Die scikit.learn-Funktion .predict aus der Bibliothek LinearSVC führt die Vorhersage mithilfe von Teststichproben durch.

LinearSVM_cl.fit(X_train , Y_train) 

und die Vorhersage mit

Y_pred_LinearSVM = LinearSVM_cl.predict(X_test) 

Allerdings muss ich wissen, was aus der Anpassung Modellparameter verwendet, um ein Testmuster vorherzusagen, .coef_? .abfangen_?

Der Datensatz für das Modell 20000 Zeilen und 8 Spalten mit 8 Klassen zu erhalten:

.coef ->

array([[-1.20185887, -0.62510767, -0.92739275, -0.08900084, -1.11164502, 
    -0.56442702, 1.92045989, -0.56706939], 
    [ 0.75386897, 0.9672828 , -2.10451063, 0.53552943, -0.10476675, 
    0.32058617, -0.30133408, -1.01478727], 
    [ 0.35032536, -0.38405342, 0.25462054, 0.47577302, -0.55000734, 
    0.01134098, -0.14534849, 1.14597475], 
    [-0.08888566, -0.08272116, 0.84141105, 0.22040919, 0.27763948, 
    0.57907834, -0.70631803, -0.1017982 ], 
    [ 0.14319018, 0.03329494, 1.52575489, 0.58355648, 1.24454465, 
    -0.92758526, 1.01315744, -0.51935599], 
    [-0.33712774, -0.7826993 , -1.00810522, 0.20346304, 3.67215014, 
    0.93187058, -0.26441527, -0.5351838 ], 
    [-0.70416157, -2.38388785, -1.24720653, 0.43291862, 3.91473792, 
    2.7596399 , -0.63503461, -0.43277051], 
    [-0.14921538, -0.03871313, -0.19896247, 0.08522851, 0.29347373, 
    0.1332059 , -0.10875692, -0.01503476]]) 

.intercept ->

array([-0.43454897, 0.05659295, -0.95980815, -1.36353241, -3.05042133, 
    -2.93684622, -3.35757856, -1.14034588]) 

Und Beispiel Test Probe ist

0.7622999 0.514543 0.2195486 0.453202 0.2585706 0.6295224 0.4999675 0.1960128 

Wie kann ich die Testprobe manuell vorhersagen (ohne die eingebaute .predict-Funktion aus der Bibliothek zu verwenden).

Answer 1

Beachte deine coef als $ W $ und deine intercept als $ b $ und deinen neuen Datenpunkt als $ x $. Ihre Klasse Vorhersage ist einfach:

$ c = \ arg \ MAX_I {W_i \ cdot x + b} $

So einfach Matrixmultiplikation anwenden, fügen Sie den Bias-Vektor und den Index des maximalen Eintrag auswählen.