我在使用sklearn.svm.SVC进行分类问题。训练数据后，我想通过一系列值来循环调整偏置（即通常的符号(w.x + b) SVM方程中的b项），以生成ROC曲线。（我已经进行了交叉验证并选择了超参数，所以这是为了测试）。

我尝试过修改.intercept_属性，但这并不会改变.predict()的输出结果…有没有其他方法可以更改偏置项呢？

我可能会恢复支持向量，然后实现自己的.predict()函数，并调整偏置，但这似乎是一种相当笨重的方法。

回答：

两年前我遇到了同样的问题。不幸的是，唯一的解决方案是自己动手实现。实现”predict”在Python中非常简单，只是一行代码。不幸的是，.intercept_实际上是内部使用的截距的一个副本（libsvm的那个）。令人困惑的是，对于来自同一库的LinearSVC来说情况并非如此，你实际上可以更改偏置（然而，显然无法访问核函数）。

显然，你不必深入到自己计算核函数值的地步。你仍然可以访问”decision_function”，其中最终包含了偏置。简单地从决策函数中移除旧的偏置，添加新的偏置，然后取符号。这将是（取决于偏置的符号）：

def new_predict(clf, new_bias, X):  return np.sign(clf.decision_function(X) + clf.intercept_ - new_bias)