我在MATLAB中使用libsvm进行训练和测试一个1对多的SVM，采用预计算的非线性核。我对SVM还比较新手，正在尝试计算决策函数。我知道对于线性SVM，我们可以通过（根据libsvm文档）获得w：

w = model.sv_coef'*model.SVs;

然后我们可以根据以下方式计算决策值：

w'*x

随后，根据sign(w'*x+b)预测标签，其中b是某个阈值。

我特别感兴趣的是如何从我的非线性核中获得分类得分。我该如何做呢？

回答：

我想了解你所说的分类得分是什么意思。实际上，你可以比较每个模型的概率，并选择最大的一个，就像我在你之前的帖子中所做的那样。

如果你使用决策函数也是可以的。假设你使用的是RBF核，并且model.Label(1) = 1，那么你有（如果model.Label(1) = -1，那么w = -w; b = -b;）

[m,n] = size(model.SVs); % m是支持向量的数量，n是特征的数量w = model.sv_coef; % m*1的权重向量b = -model.rho; % 标量

现在你给定测试的v。并且你也有[1,n] = size(v); 然后对于支持向量中的每一行i，计算欧几里得距离（你可以将下面的代码向量化）：

for i = 1:m    d(i) = norm(model.SVs(i,:) - v);    t(i) = exp(-gamma* d(i) .^2); % RBF模型，t是1*m向量end

决策函数（或决策函数的得分）是：

s = t * w + b;

你可以用其他非线性核以类似的方式获得决策函数。

编辑

使用自编的预计算核，以RBF核为例：

% RBF核：exp(-gamma*|u-v|^2)rbf = @(X,Y) exp(-gamma .* pdist2(X,Y,'euclidean').^2);% 需要以样本序列号作为第一列的核矩阵K_train =  [(1:numTrain)' , rbf(trainData,trainData)];K_test =   [(1:numTest)'  , rbf(testData,trainData)];%# 训练和测试model             = svmtrain(trainLabel, K_train, '-t 4');[predLabel, ~, ~] = svmpredict(testLabel, K_test, model);%# 混淆矩阵C = confusionmat(testLabel,predLabel);