Antwort

1

Um die Entscheidungsgrenze von SVM zu visualisieren, müssen Ihre Daten zweidimensional sein. Wenn dies der Fall ist, können Sie einfach scikit-learns Code verwenden, und ersetzen Sie einfach Anruf .predict mit analogen Vorhersage aus Ihrer eigenen Bibliothek (wie opencv).

+0

Ist das der Grund, warum sie nur 2 Funktionen nur genommen haben ?? X = iris.data [:,: 2] – Arijit

+0

Ja, sie haben das Problem stillschweigend so modifiziert, dass es möglich ist. – lejlot

+0

Es gibt viele Methoden zum Mapping von High-D auf 2d, [Nonlinear_dimensionality_reduction] (https://en.wikipedia.org/wiki/Nonlinear_dimensionality_reduction) - so viele, dass es kein klares "versuche dies zuerst" gibt. Trotzdem wäre ein einfacher, sehr grober SVM-Grenzplotter nett. – denis

Verwandte Themen