Libsvm預先計算的內核

Question

我正在使用libsvm與預先計算的內核。我爲示例數據集heart_scale生成了預先計算的內核文件並執行了svm-train。它工作正常，支持向量被正確識別，即類似於非預計算版本。

然而，當我試圖運行SVM-預測，它給了預先計算的模型文件不同的結果。在深入瞭解代碼之後，我注意到svm_predict_values（）函數需要支持向量的實際特性，這在預計算模式下是不可用的。在預計算模式下，我們只有每個支持向量的係數和索引，這被svm-predict誤解爲它的特徵。

這是一個錯誤或我的理解有問題。如果這是我的錯誤，請告訴我如何在預計算模式下運行svm-predict。

Answer 1

每個訓練組矢量測試集矢量x之間的內核的評價，和的值應被用作測試集特徵向量。

下面是從LIBSVM自述相關線：
<標籤> 0：I 1：K（XI，X1）... L：K（XI

對於XI

新訓練實例，xL）

任何x的新測試實例：
< label> 0：？ 1：K（x，x1）... L：K（x，xL）

libsvm自述文件說如果您有L個訓練集向量，其中xi是訓練集向量， 1..L]和測試集向量x，那麼x的特徵向量應該是

< x> 0的標籤：<任意數> 1：K（x^{test}，x1^{其中K（u，v）和K（x，k）分別表示K（u，v）用來表示以向量u和v爲參數的核函數的輸出。

我已經包括下面一些示例Python代碼。

原始特徵向量表示和預先計算（線性）內核的結果不完全相同，但這可能是由於優化算法的差異。

from svmutil import * 
import numpy as np 

#original example 
y, x = svm_read_problem('.../heart_scale') 
m = svm_train(y[:200], x[:200], '-c 4') 
p_label, p_acc, p_val = svm_predict(y[200:], x[200:], m) 

############## 
#train the SVM using a precomputed linear kernel 

#create dense data 
max_key=np.max([np.max(v.keys()) for v in x]) 
arr=np.zeros((len(x),max_key)) 

for row,vec in enumerate(x): 
    for k,v in vec.iteritems(): 
     arr[row][k-1]=v 
x=arr 

#create a linear kernel matrix with the training data 
K_train=np.zeros((200,201)) 
K_train[:,1:]=np.dot(x[:200],x[:200].T) 
K_train[:,:1]=np.arange(200)[:,np.newaxis]+1 

m = svm_train(y[:200], [list(row) for row in K_train], '-c 4 -t 4') 

#create a linear kernel matrix for the test data 
K_test=np.zeros((len(x)-200,201)) 
K_test[:,1:]=np.dot(x[200:],x[:200].T) 
K_test[:,:1]=np.arange(len(x)-200)[:,np.newaxis]+1 

p_label, p_acc, p_val = svm_predict(y[200:],[list(row) for row in K_test], m)