Значения оценки ядра между вектором тестового набора, x и каждым вектором обучающего набора должны использоваться в качестве вектора признаков тестового набора.
Вот соответствующие строки из libsvm ридми:
Новый экземпляр обучение XI:
< метка> 0: я 1: K (Xi, x1) ... L: K (Xi , xL)
Новый испытательный экземпляр для любого x:
< ярлык 0 :? 1: К (х, x1) ... L: К (х, хЬ)
libsvm ридми говорит, что если у вас есть L обучающего множества векторов, где XI представляет собой учебный набор вектор I из [ 1..L] и вектор тестового набора, x, то вектор функции для x должен быть
< метка x> 0: < любое число> 1: K (x^{test}, x1^{ поезд}), 2: K (x^{test}, x2^{train}) ... L: K (x^{test}, xL^{train})
где K (u, v) используется для обозначения вывода функции ядра on с векторами u и v в качестве аргументов.
Я включил некоторый пример кода python ниже.
Результаты первоначального представления векторной функции и предварительно вычисленного (линейного) ядра не совсем то же самое, но это, вероятно, связано с различиями в алгоритме оптимизации.
from svmutil import *
import numpy as np
#original example
y, x = svm_read_problem('.../heart_scale')
m = svm_train(y[:200], x[:200], '-c 4')
p_label, p_acc, p_val = svm_predict(y[200:], x[200:], m)
##############
#train the SVM using a precomputed linear kernel
#create dense data
max_key=np.max([np.max(v.keys()) for v in x])
arr=np.zeros((len(x),max_key))
for row,vec in enumerate(x):
for k,v in vec.iteritems():
arr[row][k-1]=v
x=arr
#create a linear kernel matrix with the training data
K_train=np.zeros((200,201))
K_train[:,1:]=np.dot(x[:200],x[:200].T)
K_train[:,:1]=np.arange(200)[:,np.newaxis]+1
m = svm_train(y[:200], [list(row) for row in K_train], '-c 4 -t 4')
#create a linear kernel matrix for the test data
K_test=np.zeros((len(x)-200,201))
K_test[:,1:]=np.dot(x[200:],x[:200].T)
K_test[:,:1]=np.arange(len(x)-200)[:,np.newaxis]+1
p_label, p_acc, p_val = svm_predict(y[200:],[list(row) for row in K_test], m)
Насколько я помню, вы должны вручную предсказать значения, если вы используете предварительно вычисленное ядро для обучения SVM. – George