如何解读Weka中SMO算法输出的SVM（支持向量机）模型结果

基础配置信息 #

• 算法类型：使用Weka实现的SMO（序列最小优化算法）训练二分类支持向量机，输出中BinarySMO标识当前为二分类任务
• 类别定义：二分类标签为Positive（正类）和Negative（负类）
• 核函数选择：采用Puk kernel（皮尔逊VII通用核），该核灵活性高于常用的RBF核，适配分布更复杂的数据集

决策函数与支持向量说明 #

输出中列出的带系数项对应SVM决策函数的核心组成，SVM决策逻辑公式为：
f(X) = sign( Σ(α_i * y_i * K(x_i, X)) + b )
各部分对应输出含义如下：

• 每行开头的正负号+数值（如0.9349、-0.815）为拉格朗日乘子α_i与支持向量类别标签y_i的乘积：正号对应正类支持向量，负号对应负类支持向量
• 尖括号<>内的16个数值为该条支持向量的特征取值，与你输入数据集的特征维度一一对应
• 最后单独列出的- 0.589是决策函数的截距项b
• 新样本预测规则：将待预测样本X代入所有项求和，结果大于0判定为Positive，小于0判定为Negative
• 补充说明：系数绝对值越小的支持向量对最终分类结果的影响越低，若需要压缩模型体积，可优先剔除系数绝对值极小的支持向量，通常对分类精度影响很小

训练过程统计指标 #

• 支持向量总数：378，当前模型的决策边界完全由这378个训练样本确定，其余训练集样本未参与决策边界构建
• 核函数计算统计：训练过程中共执行131997次核函数计算，其中92.5%的计算结果被缓存复用，是Weka SMO内置优化机制的效果体现

内容的提问来源于stack exchange，提问作者rayqz