Matlab高斯核回归SVM手动实现预测结果错误问题排查咨询

问题排查结果 #

核心错误1：向量运算维度不匹配 #

你代码中SV(n,:)'是列向量，而input是1×3的行向量，二者做减法时Matlab会触发自动广播生成3×3的矩阵，norm()函数计算的是矩阵的F范数而非两个向量的欧氏距离，导致范数结果严重偏大，最终G值极小。

核心错误2：RBF核函数缺少缩放参数 #

Matlab训练的高斯核SVM默认引入了核缩放系数，你实现的核函数没有加入该系数项，不符合训练时的核函数定义。Matlab RBF核的完整公式为：

$G(x,y) = \exp\left(-\frac{|x-y|^2}{2\sigma2}\right)$
其中$\sigma$为核缩放参数，可从trainedModel.RegressionSVM.KernelParameters.Scale中读取。

其他注意点 #

不要使用sum作为变量名，sum是Matlab内置函数，覆盖后可能引发未知问题。

修正后的代码 #

bias  = trainedModel.RegressionSVM.Bias;
alpha = trainedModel.RegressionSVM.Alpha;
SV    = trainedModel.RegressionSVM.SupportVectors;
Mu    = trainedModel.RegressionSVM.Mu;
Sg    = trainedModel.RegressionSVM.Sigma;
kernel_scale = trainedModel.RegressionSVM.KernelParameters.Scale; % 读取核缩放系数

input = ([0.5 1 50] - Mu) ./ Sg;
pred = bias; % 替换sum变量名避免冲突
for n=1:length(alpha)
    % 修正维度匹配，直接计算两个行向量的欧氏距离平方
    dist_sq = sum((SV(n,:) - input).^2);
    % 完整RBF核计算
    G = exp(-dist_sq/(2*kernel_scale^2));
    pred = pred + alpha(n) * G;
end
disp(pred)

内容的提问来源于stack exchange，提问作者ocirocir