SVC使用预计算Laplace核绘制决策边界维度不匹配报错如何解决

错误原因 #

报错出现在测试核矩阵计算环节：meshgrid生成的xx、yy是二维网格结构，直接传入laplacian_kernel时，函数会把整个二维数组的行当做样本、列当做特征，和训练集X的2个特征维度不匹配，触发维度错误。

修复方案 #

先将网格点展平为和训练集特征维度一致的样本数组，再计算测试核矩阵，修改对应两处代码即可：

1. 计算测试核矩阵前，先将xx、yy展平拼接为(样本数, 2)的特征矩阵
2. 移除predict调用中多余的np.c_拼接操作

修正后完整可运行代码 #

import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import load_iris
from sklearn.svm import SVC
from sklearn.metrics.pairwise import laplacian_kernel

iris_data = load_iris()
X = iris_data.data[:, :2]
y = iris_data.target
h = 0.02
X = np.array(X)
y = np.array(y)

K = np.array(laplacian_kernel(X, gamma=.5))
svm = SVC(kernel='precomputed').fit(K, np.ravel(y))

x_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1
y_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1
xx, yy = np.meshgrid(np.arange(x_min, x_max, h), np.arange(y_min, y_max, h))

# 新增：将网格点展平为(n_samples, 2)的特征矩阵
X_test = np.c_[xx.ravel(), yy.ravel()]
# 修正：用展平后的测试特征计算核矩阵
K_test = np.array(laplacian_kernel(X_test, X, gamma=.5)) 
# 修正：直接传入K_test预测，无需多余拼接
Z = svm.predict(K_test)

Z = Z.reshape(xx.shape)
plt.contourf(xx, yy, Z, cmap=plt.cm.coolwarm, alpha=0.8)
plt.scatter(X[:, 0], X[:, 1], c=y, cmap=plt.cm.coolwarm)
plt.xlabel('Sepal length')
plt.ylabel('Sepal width')
plt.xlim(xx.min(), xx.max())
plt.ylim(yy.min(), yy.max())
plt.xticks(())
plt.yticks(())
plt.title('SVC with Laplace kernel')
plt.show()

运行上述代码即可正常输出带Laplace核SVM决策边界的鸢尾花分类可视化结果。

内容的提问来源于stack exchange，提问作者user3046211