训练好的SVR模型如何预测？求sklearn SVR手动预测实现方法

核心公式 #

对偶形式下，RBF核SVR的预测值计算逻辑为：

预测值 = (对偶系数数组 ⋅ 核函数(输入样本, 所有支持向量)) + 偏置项b

分步实现 #

• 1. 确认所需参数
  除了你已有的对偶系数数组、支持向量，还需从训练好的sklearn.svm.SVR模型中获取：

  • 偏置项：model.intercept_[0]
  • RBF核参数γ：对应model.gamma，若模型设为scale，则γ=1/(特征数×训练集特征方差)；设为auto则γ=1/特征数

• 2. 实现RBF核函数
  RBF核的数学表达式为：K(x, sv) = exp(-γ × ||x - sv||²)
  用Python实现单样本与单个支持向量的核值计算：

  import numpy as np
  
  def calc_rbf_kernel(x, sv, gamma):
      diff = x - sv
      return np.exp(-gamma * np.sum(diff ** 2))
  

• 3. 计算输入样本与所有支持向量的核值数组
  对单个输入样本x（形状为(特征数,)），遍历所有支持向量生成核值数组：

  kernel_vals = np.array([calc_rbf_kernel(x, sv, gamma) for sv in model.support_vectors_])
  

• 4. 计算最终预测值
  将对偶系数（需展平为一维数组）与核值数组做点积，再加偏置项：

  dual_coef_flat = model.dual_coef_.flatten()
  y_pred = np.dot(dual_coef_flat, kernel_vals) + model.intercept_[0]
  

验证 #

手动计算结果和model.predict([x])的输出应几乎一致（仅浮点精度差异）

内容的提问来源于stack exchange，提问作者n6r5