如何用Python获取One-vs-Rest SVC模型参数并实现OVR分类？

一、获取真正的OVR分类结果 #

Scikit-learn中的SVC默认采用**一对一（OVO）**逻辑训练，decision_function_shape='ovr'仅会把OVO的决策函数输出转换为OVR格式，底层训练逻辑并未改变，所以切换参数后预测结果一致。

要实现**真正的一对多（OVR）**策略，必须用OneVsRestClassifier包裹SVC，它会为每个类别单独训练一个二分类器，代码示例：

from sklearn.multiclass import OneVsRestClassifier
from sklearn.svm import SVC

# 用OneVsRestClassifier包裹SVC，实现真正的OVR训练
model_ovr = OneVsRestClassifier(SVC(kernel='rbf'))
model_ovr.fit(X_train, Y_train)
ovr_predictions = model_ovr.predict(X_test)

二、获取OneVsRestClassifier的相关属性 #

1. 混淆矩阵（cm）和分类报告（sm） #

这两个指标是基于预测结果与真实标签计算的，和直接使用SVC时的方式完全一致：

from sklearn.metrics import confusion_matrix, classification_report

cm = confusion_matrix(Y_test, ovr_predictions, labels=[-1,0,1])
sm = classification_report(Y_test, ovr_predictions)

2. 支持向量、对偶系数、截距 #

OneVsRestClassifier是多个二分类SVC的集合，这些属性存储在estimators_列表中，每个元素对应一个类别的二分类器，遍历即可获取：

import pandas as pd

# 遍历每个子分类器，获取对应属性
for idx, clf in enumerate(model_ovr.estimators_):
    current_class = model_ovr.classes_[idx]
    print(f"类别 {current_class} 的模型属性：")
    # 支持向量的索引
    support_idx = clf.support_
    # 支持向量数量
    n_support = clf.n_support_
    # 对偶系数
    alpha_df = pd.DataFrame(clf.dual_coef_)
    # 截距
    intercept_df = pd.DataFrame(clf.intercept_)
    
    # 按需打印或保存
    print(f"支持向量数量：{n_support}")
    print(f"截距：\n{intercept_df}")

注：model_ovr.classes_会返回所有类别标签，与你传入的labels对应，可通过索引匹配到每个类别的子模型。

内容的提问来源于stack exchange，提问作者Egidia Tiwi Krama