我在使用sklearn进行SVR（回归）时使用了RBF核。我想了解推断是如何在幕后进行的。我以为它是支持向量、函数均值和gamma的函数，但似乎我遗漏了一个方面（可能是基于两点距离的某种缩放）。

这是我在下面的图表中尝试过的“我的方程”。

out = meanfor vect in vectors:    out = out + (vect.y - mean) * math.exp(-(vect.x - x) ** 2 * gamma)

当我只使用两个间隔的点时，我的方程与sklearn的svr.predict报告的结果相匹配。

当使用三个训练点，其中两个点靠得很近时，我的方程与svr.predict给出的结果不匹配：

给定支持向量、gamma、均值以及其他所需的任何东西，使用RBF核进行SVR推断的方程是什么？这些可以从sklearn的svr类中获得吗？

回答：

使用sklearn库和RBF核进行SVR推断对我有效的方程如下，附带Python代码：

# x和y已经定义，是SVR的训练数据svr = svm.SVR(kernel="rbf", C=C, gamma=gamma, epsilon=epsilon, tol=tol)svr.fit(x,y)vectors = []for i in svr.support_:    vectors.append([x[i][0], y[i]])out = svr._intercept_[0]for vect, coef in zip(vectors, svr._dual_coef_[0]):    out = out + coef * math.exp(-(vect[0] - x) ** 2 * gamma)

我发现svr._intercept_[0]包含函数的y偏移量。

我发现svr._dual_coef_[0]包含用于乘以每个指数的系数。

我发现svr.support_包含训练集中用作支持向量的元素的索引。

我意识到我正在访问svr类中仅供内部使用的变量，然而，我没有看到官方API方法来访问这些变量，目前这种方法对我有效。