人体检测中，如何获取RBF核SVM的准确率、检测分数及核系数？

1. 获取RBF核SVM的检测分数 #

在Python的sklearn.svm.SVC中，不用局限于predict()返回的0/1分类结果，可通过两种方式获取检测分数：

• 调用decision_function()方法：返回样本到分类超平面的距离值，和线性SVM的检测分数逻辑一致，所有核类型（包括RBF）都适用。距离的正负对应分类类别，绝对值越大表示分类置信度越高。
• 调用predict_proba()方法：初始化SVC时设置probability=True，训练后可返回样本属于各类别的概率值（范围0-1），但该方法需要额外做概率校准，会增加训练开销。

示例代码：

from sklearn.svm import SVC
import numpy as np

# 模拟HOG特征数据，实际使用替换为你的真实特征
X_train = np.random.rand(100, 128)
y_train = np.random.randint(0, 2, 100)
X_test = np.random.rand(20, 128)

# 初始化RBF核SVM，启用概率计算（可选）
svm_rbf = SVC(kernel='rbf', probability=True)
svm_rbf.fit(X_train, y_train)

# 获取距离形式的检测分数
decision_scores = svm_rbf.decision_function(X_test)
# 获取概率形式的检测分数
prob_scores = svm_rbf.predict_proba(X_test)

print("RBF核SVM的检测距离分数：", decision_scores)
print("RBF核SVM的分类概率：", prob_scores)

2. 查看RBF核SVM的核心参数（替代线性SVM的coef_） #

RBF核SVM采用对偶形式训练，不存在线性SVM那样的coef_（原始特征空间的权重系数）——因为RBF会把特征映射到无限维空间，无法直接输出高维空间的权重。但可以查看以下核心参数来理解模型：

• support_vectors_：训练中筛选出的支持向量，是模型决策的关键样本。
• dual_coef_：对应支持向量的对偶系数，和核函数计算结果结合构成决策函数的核心部分。
• intercept_：决策函数的截距项，对应超平面的偏移量。

RBF核的决策函数公式为：

$f(x) = \sum_{i=1}^{n_s} \alpha_i y_i K(x, x_i) + b$
其中$\alpha_i$是dual_coef_中的元素，$x_i$是support_vectors_，$b$是intercept_，$K$是RBF核函数

示例代码：

# 查看RBF核SVM的核心参数
print("支持向量数量：", len(svm_rbf.support_vectors_))
print("支持向量：", svm_rbf.support_vectors_)
print("对偶系数：", svm_rbf.dual_coef_)
print("截距项：", svm_rbf.intercept_)

内容的提问来源于stack exchange，提问作者Bhavin