回答編集履歴
1
修正
answer
CHANGED
|
@@ -2,4 +2,9 @@
|
|
|
2
2
|
|
|
3
3
|
[sklearn.svm.SVC — scikit-learn 0.19.1 documentation](http://scikit-learn.org/stable/modules/generated/sklearn.svm.SVC.html)
|
|
4
4
|
|
|
5
|
-
RBF（ガウシアンカーネル）だと、無限次元の写像先で考える訳にはいきませんし、元の空間では判別できないからカーネルトリックで飛ばしている訳で、ちょっと筋が悪そう。一応`SVC.decision_function`というメソッドがあり、分離超平面とデータとの距離は計算できるので、具体的なデータを突っ込めば「どんな感じなのか」はわかります。
|
|
5
|
+
RBF（ガウシアンカーネル）だと、無限次元の写像先で考える訳にはいきませんし、元の空間では判別できないからカーネルトリックで飛ばしている訳で、ちょっと筋が悪そう。一応`SVC.decision_function`というメソッドがあり、分離超平面とデータとの距離は計算できるので、具体的なデータを突っ込めば「どんな感じなのか」はわかります。
|
|
6
|
+
|
|
7
|
+
### と思っていましたが
|
|
8
|
+
ごめんなさい、`dual_coef_`で良かったです（ちゃんと見ていなかった）。
|
|
9
|
+
ここの「学習されたパラメーターの意味」のところが参考になりました。
|
|
10
|
+
[Scikit-learnによるサポートベクターマシン](http://data-science.gr.jp/implementation/iml_sklearn_svm.html)
|