我有一个二维特征空间中有 60 个数据点的分类问题。数据最初分为2类。早些时候我使用的是 Matlab 的 Statistics Toolbox，所以它给了我相当好的结果。它给出了 1 个假阴性和没有假阳性。
我使用了以下代码：
SVMstruct = svmtrain(point(1:60,:),T(1:60),'Kernel_Function','polynomial','polyorder',11,'Showplot',true);
我正在使用多项式内核，多项式阶数为 11。
但是，当我在 scikit-learn SVC 中使用相同的内核配置时，它并没有给出相同的结果，而是将它们全部分类到单个类中给出了非常不受欢迎的结果。
我用它作为
svc = svm.SVC(kernel='poly', degree=11, C=10)
我也使用了许多 C 值。没有大的区别。
为什么结果差别这么大？如何获得与使用 Matlab 相同的结果？对我来说，必须使用 python-scikit。
您必须确保算法是相同的，并且内核函数确实是相同的。如果您查看scikit learn 中内核的这个 python 文档页面，您将看到 poly kernel 的描述。
请注意，您有一个 gamma 和一个学位。Gamma 默认为“自动”，在 1/n_samples 处评估。对于同一个内核，您有“coef0”（参数的好名字），它在 poly 中用作自由术语。我不知道matlab如何将此值作为默认值，但我发现文献中poly kernel的常用公式是. 所以没有伽玛，自由项是. 我认为matlab使用它。（无论如何，我发现 scikit 中的“改进”学习气味不太好）。
同样在此SVC 文档页面中，他们声明有一个称为收缩的参数。我真的不知道它的效果，但它的自动，这意味着启用。可能是个问题。
稍后编辑：
我在 matlab中找到了 svm 的这个文档页面，它以我所说的方式描述了内核（没有学位，免费术语）。它还声明默认使用“SMO”，确保在 python 中也使用“SMO”。
另一方面，您必须了解，这些算法是通过优化方法解决的，这些优化方法通常是迭代的，为了节省一些内存，或者循环它们的实现可能在小细节上有所不同，这几乎会产生不同的结果。然而，我同意结果应该是相似的。
SVC 参数：
是什么促使您使用多项式内核？在某些情况下这可能有意义，但它肯定不是我的首选。径向基函数可能更适合，这就是为什么它是 SKLearn 的默认值。退后一分钟，从大局出发。给定您显示的点，您的人类大脑是否想使用 11 阶多项式创建决策面？看起来您的第二张图像中有几个白点岛，可以很容易地用两个Gaussian functionsaka包裹起来radial basis functions。
只有默认参数的 SVC 有什么作用？我见过很多需要高达 10 或 100 的正则化参数的情况，但您还没有谈到您过去使用的交叉验证程序，所以我想知道你是怎么到那里的。
我建议使用默认参数运行 SVC 并查看返回的内容。然后可以尝试调整 gamma（这实际上是决策表面与其周围点之间的缓冲区）和 C（这是控制过度拟合的正则化项，即高方差）。
希望这可以帮助！
我对两种实施方式的差异一无所知，但找到了如何找到问题的决策边界。
在第一步中，我将数据缩放到 [0,100] 的范围，而之前的输入是 [0,1]。（仍然不知道为什么缩放会产生差异）
然后使用低伽马和高C值的RBF内核。
svc = svm.SVC(内核='rbf', gamma=.004, C=1000)。
这给了我以下结果。
