LibSVM三维特征SVM超平面绘制问题及多特征可视化咨询

一、你的代码存在的核心问题 #

你当前的实现是通过预测三维网格中每个点的类别，再把两类点分别着色，这种方式有两个关键缺陷：

1. 效率极低：三维网格的点数是三个维度采样数的乘积（比如每个维度取100个点就有1e6个样本），svmpredict会花费大量时间处理，且绘制海量点会导致图形卡顿、模糊。
2. 无法直观展示超平面：你看到的只是两类点的密集色块，而非SVM真正的决策超平面（三维空间中的二维平面），完全偏离了“绘制超平面”的需求。

另外，虽然svmpredict的第一个参数传zeros是可行的（LibSVM允许传入任意标签，只要样本数匹配），但这不是最优做法——我们根本不需要通过预测来推导超平面，直接从训练好的model中提取参数计算即可。

二、修正后的代码：直接绘制超平面 #

下面是修改后的完整流程，核心是从LibSVM模型中提取超平面参数，直接绘制平面，同时叠加原始数据集方便对比：

% 假设你的训练数据是d（n×3的特征矩阵），label是对应的标签向量（n×1，取值1/0）
% 先绘制原始数据集的两类样本
figure; hold on;
pos_class1 = find(label == 1);
plot3(d(pos_class1,1), d(pos_class1,2), d(pos_class1,3), ...
      'ro', 'MarkerSize', 6, 'MarkerFaceColor', 'r', 'DisplayName', 'Class 1');
pos_class0 = find(label == 0);
plot3(d(pos_class0,1), d(pos_class0,2), d(pos_class0,3), ...
      'bo', 'MarkerSize', 6, 'MarkerFaceColor', 'b', 'DisplayName', 'Class 0');

% 从LibSVM模型中提取超平面参数
% 超平面方程：w·x + b = 0，其中w是权重向量，b是偏置
w = sum(model.sv_coef .* model.sv, 1);  % 计算权重w：支持向量系数×支持向量的累加
b = -model.rho;  % LibSVM的rho对应 -b，所以这里取反

% 生成超平面的网格点（用x和y的网格计算对应的z）
[xi, yi] = meshgrid(linspace(min(d(:,1)), max(d(:,1)), 50), ...
                    linspace(min(d(:,2)), max(d(:,2)), 50));
% 根据超平面方程推导z：w1*x + w2*y + w3*z + b = 0 → z = (-w1*x -w2*y -b)/w3
zi = (-w(1)*xi - w(2)*yi - b) / w(3);

% 绘制半透明的超平面
surf(xi, yi, zi, 'FaceAlpha', 0.3, 'EdgeColor', 'none', ...
     'FaceColor', 'g', 'DisplayName', 'Decision Hyperplane');

% 美化图形
xlabel('Feature 1'); ylabel('Feature 2'); zlabel('Feature 3');
legend; grid on; view(3);

三、特征数超过3个时的可视化方案 #

当特征维度高于3时，无法直接在三维空间绘制超平面，推荐以下两种实用方法：

1. 降维可视化（最常用）

用PCA（主成分分析）或t-SNE将高维数据投影到2维或3维空间，然后在降维后的空间中绘制SVM的决策边界：

• PCA是线性降维，能最大程度保留数据的方差，适合展示数据的全局结构；
• t-SNE是非线性降维，更擅长展示局部聚类结构，但对全局结构的保留较差。

示例思路：

% 用PCA降维到2维
[pca_data, ~, ~] = pca(d);
pca_data = pca_data(:,1:2);  % 取前两个主成分

% 在降维后的空间训练SVM（或直接投影支持向量和超平面）
% 然后绘制降维后的样本点和决策边界

2. 两两特征组合绘制子图

如果特征数不多（比如4-5个），可以遍历所有特征对，绘制每个特征对下的二维决策边界，形成子图矩阵。这种方式能展示每两个特征维度下的分类效果，缺点是当特征数较多时子图数量会爆炸（比如6个特征有15对组合）。

内容的提问来源于stack exchange，提问作者Satinger