使用RBF核进行SVR推理的公式是什么？

Question

我在使用RBF内核来学习SVR (回归)。我想知道这个推论是怎么做的。我认为它是支持向量，函数均值和伽马的函数，但是它似乎遗漏了一个方面(可能是基于两个点有多近的尺度。

下面是我在图中尝试过的“我的方程”。

out = mean
for vect in vectors:
    out = out + (vect.y - mean) * math.exp(-(vect.x - x) ** 2 * gamma)

当我只做了两个点的间隔，我的方程与skLearn报告的svr.predict相匹配。

​

​

在3个训练点和2个相近点的情况下，我的公式与svr.predict给出的公式不匹配：

​

​

给定支持向量、伽马和均值，以及其他需要的东西，有RBF核的SVR推理方程是什么？这些可以从sklearn类中获得吗？

Answer 1

对于我来说，使用sklearn库和带有RBF内核的SVR推理的公式如下所示，用python代码：

# x and y is already defined, and is the training data for the SVR
svr = svm.SVR(kernel="rbf", C=C, gamma=gamma, epsilon=epsilon, tol=tol)
svr.fit(x,y)
vectors = []
for i in svr.support_:
    vectors.append([x[i][0], y[i]])
out = svr._intercept_[0]
for vect, coef in zip(vectors, svr._dual_coef_[0]):
    out = out + coef * math.exp(-(vect[0] - x) ** 2 * gamma)

我发现svr._intercept_包含函数的y偏移量。

我发现svr._dual_coef_包含将每个指数乘以的系数。

我发现svr.support_包含作为支持向量的训练集中元素的索引。

我意识到我只是在访问svr类中想要访问的内容，但是，我没有看到用于访问这些变量的官方API方法，目前这对我来说是有效的。