假设我有一个sklearn的训练数据:

features, labels = assign_dataSets() #分配操作

这里的feature是一个二维数组，而label是一个包含值[0,1]的一维数组

分类操作如下:

f1x = [features[i][0] for i in range(0, len(features)) if labels[i]==0]f2x = [features[i][0] for i in range(0, len(features)) if labels[i]==1]f1y = [features[i][1] for i in range(0, len(features)) if labels[i]==0]f2y = [features[i][1] for i in range(0, len(features)) if labels[i]==1]

现在我来绘制这些数据:

import matplotlib.pyplot as pltplt.scatter(f1x,f1y,color='b')plt.scatter(f2x,f2y,color='y')plt.show()

现在我想使用分类器（例如SVC）进行拟合操作。

from sklearn.svm import SVCclf = SVC()clf.fit(features, labels)

现在我的问题是，由于支持向量机的速度较慢，有没有办法在拟合操作进行时实时监控分类器的决策边界？我知道可以在拟合操作完成后绘制决策边界，但我希望在拟合过程中实时绘制分类器的决策边界。或许可以通过线程和对由等间距数组声明的点进行预测来实现。fit函数是否允许这样的操作，或者我需要使用其他库呢？

顺便说一句，我是机器学习的新手。

回答：

scikit-learn有这个功能，但据我所知，它仅限于少数几个分类器（例如GradientBoostingClassifier，MPLClassifier）。要启用此功能，您需要设置verbose=True。例如:

clf = GradientBoostingClassifier(verbose=True)

我尝试用SVC进行测试，但没有按预期工作（可能是因为评论部分中@sascha提到的原因）。这里是StackOverflow上您问题的另一种变体。

关于您第二个问题，如果您转而使用Tensorflow（另一个机器学习库），您可以使用tensorboard功能实时监控一些指标（例如误差衰减）。

但是，据我所知，SVM的实现仍处于实验阶段（v1.5）。Tensorflow在处理基于神经网络的模型时非常出色。

如果您决定使用Tensorflow进行DNN分类，这里是StackOverflow上关于实现的讨论:No easy way to add Tensorboard output to pre-defined estimator functions DnnClassifier?

有用的参考资料:

Tensorflow SVM（目前仅支持线性 – v1.5）:https://www.tensorflow.org/api_docs/python/tf/contrib/learn/SVM

Tensorflow核方法:https://www.tensorflow.org/versions/master/tutorials/kernel_methods

Tensorflow Tensorboard:https://www.tensorflow.org/programmers_guide/summaries_and_tensorboard

Tensorflow DNNClassifier估计器:https://www.tensorflow.org/api_docs/python/tf/estimator/DNNClassifier