我在尝试绘制SVM-OVA执行后的超平面，代码如下：
import matplotlib.pyplot as pltimport numpy as npfrom sklearn.svm import SVCx = np.array([[1,1.1],[1,2],[2,1]])y = np.array([0,100,250])classifier = OneVsRestClassifier(SVC(kernel='linear'))根据绘制线性SVM超平面Python这个问题的答案，我编写了以下代码：
fig, ax = plt.subplots()# create a mesh to plot inx_min, x_max = x[:, 0].min() - 1, x[:, 0].max() + 1y_min, y_max = x[:, 1].min() - 1, x[:, 1].max() + 1xx2, yy2 = np.meshgrid(np.arange(x_min, x_max, .2),np.arange(y_min, y_max, .2))Z = classifier.predict(np.c_[xx2.ravel(), yy2.ravel()])Z = Z.reshape(xx2.shape)ax.contourf(xx2, yy2, Z, cmap=plt.cm.winter, alpha=0.3)ax.scatter(x[:, 0], x[:, 1], c=y, cmap=plt.cm.winter, s=25)# First line: class1 vs (class2 U class3)w = classifier.coef_[0]a = -w[0] / w[1]xx = np.linspace(-5, 5)yy = a * xx - (classifier.intercept_[0]) / w[1]ax.plot(xx,yy)# Second line: class2 vs (class1 U class3)w = classifier.coef_[1]a = -w[0] / w[1]xx = np.linspace(-5, 5)yy = a * xx - (classifier.intercept_[1]) / w[1]ax.plot(xx,yy)# Third line: class 3 vs (class2 U class1)w = classifier.coef_[2]a = -w[0] / w[1]xx = np.linspace(-5, 5)yy = a * xx - (classifier.intercept_[2]) / w[1]ax.plot(xx,yy)然而，我得到的结果是这样的：
线显然是错误的：实际上，角度系数似乎是正确的，但截距不是。特别是，橙色线如果向下移动0.5就会正确，绿色线如果向左移动0.5就会正确，蓝色线如果向上移动1.5就会正确。
是我绘制线的方式有误，还是因为训练点太少导致分类器工作不正常？
回答：
问题在于SVC的C参数太小（默认值为1.0）。根据这个帖子，
相反，非常小的
C值会使优化器寻找更大间隔的分隔超平面，即使该超平面会误分类更多的点。
因此，解决方案是使用更大的C值，例如1e5
import matplotlib.pyplot as pltimport numpy as npfrom sklearn.svm import SVCfrom sklearn.multiclass import OneVsRestClassifierx = np.array([[1,1.1],[1,2],[2,1]])y = np.array([0,100,250])classifier = OneVsRestClassifier(SVC(C=1e5,kernel='linear'))classifier.fit(x,y)fig, ax = plt.subplots()# create a mesh to plot inx_min, x_max = x[:, 0].min() - 1, x[:, 0].max() + 1y_min, y_max = x[:, 1].min() - 1, x[:, 1].max() + 1xx2, yy2 = np.meshgrid(np.arange(x_min, x_max, .2),np.arange(y_min, y_max, .2))Z = classifier.predict(np.c_[xx2.ravel(), yy2.ravel()])Z = Z.reshape(xx2.shape)ax.contourf(xx2, yy2, Z, cmap=plt.cm.winter, alpha=0.3)ax.scatter(x[:, 0], x[:, 1], c=y, cmap=plt.cm.winter, s=25)def reconstruct(w,b): k = - w[0] / w[1] b = - b[0] / w[1] if k >= 0: x0 = max((y_min-b)/k,x_min) x1 = min((y_max-b)/k,x_max) else: x0 = max((y_max-b)/k,x_min) x1 = min((y_min-b)/k,x_max) if np.abs(x0) == np.inf: x0 = x_min if np.abs(x1) == np.inf: x1 = x_max xx = np.linspace(x0,x1) yy = k*xx+b return xx,yyxx,yy = reconstruct(classifier.coef_[0],classifier.intercept_[0])ax.plot(xx,yy,'r')xx,yy = reconstruct(classifier.coef_[1],classifier.intercept_[1])ax.plot(xx,yy,'g')xx,yy = reconstruct(classifier.coef_[2],classifier.intercept_[2])ax.plot(xx,yy,'b')这次，由于采用了更大的C值，结果看起来更好
