在支持向量机（SVM）中，每个特征f[i]对应一个作为系数的权重w[i]。当所有特征都经过缩放后，w[i]必须代表特征f[i]的重要性，因此我希望打印出这些重要性的顺序。我快速编写了一段代码，并使用clf.coef_来获取所有w[i]。但结果有点奇怪，对于n_features=2，clf.coef_输出的是一个10×2的矩阵！
from sklearn import svmfrom sklearn.datasets.samples_generator import make_blobsfrom pandas import DataFrameX,Y=make_blobs(n_samples=100, centers=5, n_features=2)clf=svm.SVC(kernel='linear',probability=True)clf.fit(X,Y)print(clf.coef_)这段代码的输出是：
[[-0.14808725 -0.30415025] [ 0.01612808 0.43529163] [-1.06694209 -0.27738544] [-0.13195668 -0.27799574] [ 0.03588147 0.13657989] [ 0.04273599 0.65849432] [ 0.68017938 -0.64049715] [-0.09071154 -0.22828399] [-0.01494555 -0.1300181 ] [ 0.10260101 -0.36918253]]那么这个10×2的矩阵代表什么？更重要的是，如何获取对应每个特征权重的所有w[i]值？
回答：
在线性SVM中，请注意，结果是一个尽可能最佳地分隔类的超平面。权重代表这个超平面，通过提供一个与超平面正交的向量的坐标——这些是由svm.coef_给出的系数。
10*2矩阵的原因：（你的类别数量是5，特征数量是2）（并且sklearn的文档清晰且有帮助）
SVC实现了多类分类的“一对一”方法。如果n_class是类别的数量，那么将构建n_class * (n_class – 1) / 2个分类器，每个分类器使用来自两个类别的数据进行训练。
SVM的coef_属性输出相同，数组的形式是：[n_class * (n_class-1) / 2, n_features]
如果你希望只有5个分类器而不是10个，你可以：
- 在定义/拟合你的clf时使用decision_function_shape = “ovr”。
- 或者你可以使用线性SVC（lin_clf = svm.LinearSVC()）（这将默认使用ovr）
