支持向量机SVM推理（预测）代码实现

原创已于 2023-06-05 08:55:26 修改 · 1.1k 阅读

4 ·

CC 4.0 BY-SA版权

文章标签：

#支持向量机 #机器学习 #推理实现 #SVM移植 #SVM预测

于 2023-06-05 08:47:21 首次发布

机器学习专栏收录该内容

5 篇文章

订阅专栏

文章介绍了如何将使用sklearn库训练的支持向量机(SVM)模型，特别是使用径向基函数(rbf)核函数的模型，提取关键参数并移植到C语言环境中，以便在嵌入式系统中进行预测。主要涉及clf.support_vectors_,clf.intercept_,clf.dual_coef_和clf.gamma等参数的使用。

使用sklearn训练的SVM模型要怎样移植到C语言中进行嵌入式开发呢？本文提供了将训练的支持向量机模型从sklearn抽取出来的方法。

clf = SVC(kernel='rbf', C=10.0, gamma=0.01)
    
clf.fit(X_train, y_train)

# 使用sklearn自带的predict函数
y_predict = clf.predict(X_validate)
print(confusion_matrix(y_validate, y_predict))


# 使用训练好的SVC模型中的clf.support_vectors_, clf.intercept_，clf.dual_coef_和clf.gamma参数，
# 根据核函数类型实现预测功能
fp = np.zeros((X_validate.shape[0], 1))
for i in range(X_validate.shape[0]):
    K = np.exp(-np.sum((X_validate[i, :] - clf.support_vectors_) * (X_validate[i, :] - 
    clf.support_vectors_), 1) * clf.gamma)
    fp[i] = np.dot(clf.dual_coef_, K) + clf.intercept_
fps = fp.squeeze()
fps[fps >= 0] = 1
fps[fps < 0] = 0
print(confusion_matrix(y_validate, fps))

这里使用的是径向基函数rbf核函数，X_train和y_train是训练样本的输入特征和标签，X_validate和y_validate是测试集的输入特征和标签，clf是训练的SVC模型。