svm理论与实验之15:分界线

徐海蛟博士Teaching.

要判断SVM效果，以图形的方式输出的分解线是最直观的。LibSVM自带了一个可视化的程序svm-toy，用来输出类之间的分界线。他是先把样本文件载入，然后进行训练，通过对每个像素点的坐标进行判断，看属于哪一类，就附上那类的颜色，从而使类与类之间形成分割线。这个在第13课讲述过了。

如何自己DIY编程输出分界线呢？

分界线，其实严格说来是分界超平面。要绘分界线，就要用到训练结果，我们在第二节和第三节都讨论了，训练结果（或训练模型）文件怎么输出，但是，没怎么详细说明怎么使用训练结果，现在具体说明。下面是两个模型文件：

svm_type c_svc

kernel_type rbf

gamma 0.0769231

nr_class 2

total_sv 132

rho 0.424462

label 1 -1

nr_sv 64 68

SV

...

<两类模型文件>

svm_type c_svc

kernel_type rbf

gamma 0.0769231

nr_class 3

...

<三类模型文件>

比较可以看出，两类只存在一个分类器，因此每个支持向量对应的系数α(也就是SV的第一排)，也只有 1个（当然，截距rho也只有一个）。这种情况最简单，只要把相应的支持向量和α的值带入方程：

(15.1)

找到为0的解，就是分界点了。（式中，有些文献是+b，libSVM采用的是-b）

对于三类或多类时，情况就比较复杂。我们原来讨论过，对于类数k>2的情况，分类器个数为k×(k-1)/2个，那么对应的b值（也就是rho）应该也是k×(k-1)/2个。那么每个支持向量对应的系数α是多少呢？是k-1个，因为每个支持向量（sv）与其他每个类都有一个系数相对应。当然，和有的类对应时可能不是标准支持向量(0<alpha[i]<C)，但是至少和其中一个类对应是标准的。我们先看一下图5.2的SV的数据结构：

各nSV对应的αiyi

特征1

特征2

类0(label为-1)

前13个

类0 - V - 类1

类0 - V - 类2

1:0.297595

2:1.197805

0.4800095239454689

0.2016577869168293

类1(label为0)

中间9个

类1 - V - 类0

类1 - V - 类2

1:3.621706

2:1.263636

-0.6580578158072528

0.7036762846823739

类2(label为1)

后8个

类2 - V - 类0

类2 - V - 类1

1:8.296066

2:7.225341

-0.7056286598529473

-0.6494097661702236

从表中，可以看出，每个支持向量(SV)都有相应的k-1（这里的k为3）个α，后面就是向量的数据。因此，输出分界线时，只要认清系数的位置就可以了。如要输出类0和类2之间的分界线，就要带入类0的第二列和类2的第1列中的α。

这里需要重点说明的是：文件输出的不是单纯的α，实际上是αiyi（这里的yi是在训练时的+1或-1，而不是原始样本的label），因此在带入15.1式时，不需要判断yi的值了。

了解了数据结构以后，就是求解方程。5.1式是个多元方程（这和x的维数有关，这里讨论的是2维的，因此是二元方程），而只有一个等式，因此要对其中一个参数做定常处理。先求出其中一个参数的范围，不妨设为x[0]（在绘图时相当于x坐标轴）x_max和x_min，然后分成100等分，对每一个节点处

x[0]i = i×(x_max- x_min)/100+ x_min

这样，x[0]就相当于固定了，然后代入5.1式求x[1]（也就是y）。这就转化成了一元方程，可以采用传统的数学解法，这里，我采用的是网络遍历法。也就是对x[1]也分成100分进行遍历，把节点处的x[1]：

x[1]j = j×(y_max- y_min)/100+ y_min

代入15.1式，看是否接近于0，如果接近0，说明此点是边界点，然后输出坐标就可以了。

for(i = 0; i < 100; i ++)

for(j = 0; j < 100; j ++)

{

X[0] = x[0]i;

X[1] = x[1]j;

if(... )

cout << X[0] << “ “ << X[1] <<endl;

}

分界点坐标输出以后，就可以用matlab把分界线绘制出来了。