基于CVXPY实现软间隔SVM的ValueError报错修复咨询

• 变量定义完全错位：原代码将第二类样本的二维特征矩阵存入变量y，该变量形状为(200,2)，并非软间隔SVM要求的(样本总数,1)维度的±1分类标签，从根源上打乱了所有矩阵运算的维度匹配逻辑
• 训练集构造缺失：代码仅使用第一类的200个样本参与计算，第二类样本未拼入总特征矩阵，松弛变量xi的维度仅匹配第一类样本，与全量样本的建模要求不匹配
• 运算接口不兼容：代码中使用原生numpy的np.dot计算包含CVXPY优化变量的矩阵乘法，numpy会将CVXPY变量识别为普通对象序列，无法将其转换为数值数组完成运算，直接触发ValueError: setting an array element with a sequence报错
• 约束逻辑错误：软间隔SVM的核心约束为y_i*(w·x_i + b) ≥ 1 - ξ_i，要求逐元素计算标签与决策值的乘积，原代码误用矩阵乘法构造约束，维度上完全无法完成合法矩阵运算
• 必要参数缺失：目标函数中直接引用了未赋值的软间隔惩罚参数C，即使维度问题修复也会触发未定义变量报错
• 通配导入风险：代码使用from cvxpy import *的通配导入方式，容易与numpy等库的命名空间冲突，造成隐式变量覆盖

import numpy as np
import cvxpy as cp

np.random.seed(6201)
mean_neg = [-1, -1]
mean_pos = [1, 1]
cov = [[1, 0.25], [0.25, 1]]

# 生成两类样本特征
x_neg = np.random.multivariate_normal(mean_neg, cov, 200)
x_pos = np.random.multivariate_normal(mean_pos, cov, 200)
# 拼接完整训练特征矩阵
X = np.vstack([x_neg, x_pos])
# 生成对应±1分类标签（保持列向量维度）
y = np.hstack([-1 * np.ones(200), 1 * np.ones(200)]).reshape(-1, 1)

m, n = X.shape  # m=400个样本，n=2个特征
# 定义软间隔惩罚参数
C = 1.0

# 定义CVXPY优化变量
w = cp.Variable((n, 1))
b = cp.Variable()
xi = cp.Variable((m, 1))

# 定义优化目标
objective = cp.Minimize(0.5 * cp.square(cp.norm(w)) + C * cp.sum(xi))
# 定义合法约束
constraints = [
    # 逐元素计算标签与决策值的乘积，匹配软间隔SVM约束
    cp.multiply(y, X @ w + b) + xi >= 1,
    xi >= 0
]

prob = cp.Problem(objective, constraints)
prob.solve()

# 输出求解结果
print(f"求解状态: {prob.status}")
print(f"最优权重w: {w.value.flatten()}")
print(f"最优偏置b: {b.value}")
print(f"目标函数最优值: {prob.value:.4f}")

• 代码可直接完成软间隔SVM的凸优化求解，无维度不匹配、运算接口不兼容的报错
• 求解完成后可通过w.value、b.value读取最优超平面参数，基于参数可快速绘制分类决策边界、计算样本分类精度
• 可根据实际需求调整惩罚参数C的取值，平衡间隔最大化与分类错误率的权衡关系

内容的提问来源于stack exchange，提问作者Seun Seun