支持向量机分类器使用以下决策函数来确定测试实例的标签$\mathbf{z}$：

$f(\mathbf{z})=\mathtt{sign}\big(\sum_{i=1}^{totalSV} y_i \alpha_i \kappa(\mathbf{x}_i,\mathbf{z})-\rho\big)=\mathtt{sign}\big(\langle\mathbf{w},\Phi(\mathbf{z})\rangle-\rho\big)$,

在哪里$\kappa(\cdot,\cdot)$是核函数，$\alpha$包含支持值，$\mathbf{y}$是训练标签向量，$\rho$是一个偏置项并且$\mathbf{w}$是特征空间中的分离超平面。

在 LIBSVM 模型中，sv_coef包含$\alpha_i y_i$并SVs包含支持向量 ($\mathbf{x}_i$）。要进行预测，您需要在测试点和所有支持向量之间执行内核评估。

对于线性核 ($\kappa(\mathbf{x},\mathbf{z})=\mathbf{x}^T\mathbf{z}$) 你可以计算$\mathbf{w}$明确：

$\mathbf{w}=\sum_{i=1}^{totalSV} \alpha_i y_i \mathbf{x}_i=\mathtt{sv\_coef}^T \times \mathtt{SVs}$.

随后，预测只是基于$\mathbf{w}^T\mathbf{z}-\rho$.

没关系，我在 svmlight 包中找到了 svm.cpp 并读取了 svm_predict 函数。它是为 n 个类的一般情况编写的，但对于两个类的简单情况，它们的逻辑归结为

>> sv=model.SVs;
>> svc=model.sv_coef;
>> sv546=sv(1:546, :); %Since model.label is [1, -1] and model.nSV=[546; 246]
>> sv246=sv(547:end, :);
>> svc546=svc(1:546);
>> svc246=svc(547:end);
>> weight_for_minus1=transpose(svc246)*sv246; %Since model.label is [1, -1] and model.nSV=[546; 246]
>> weight_for_plus1=transpose(svc546)*sv546;
>> 'now multiply weight_for_minu1 and weight_for_plus1 with the 997-dimensional feature and select whichever is positive'