如何用libsvm寻找次优解？

什么叫次优？

每一个分类会得到一个概率值，你选概率第二大的就是次优的。 【 在 hugem 的大作中提到: 】 : 给定一个特征向量，使用libsvm实现对其分类，分类结果只是一个标签。如何得到次优的标签呢？

谢谢，看来还是对libsvm不太熟，在训练的时候加入参数-b就可以得到概率值了 【 在 yyjkdnsy 的大作中提到: 】 : 每一个分类会得到一个概率值，你选概率第二大的就是次优的。

就是按照概率排序，选择标签 【 在 nodlese 的大作中提到: 】 : 什么叫次优？

【 在 hugem 的大作中提到: 】 : 就是按照概率排序，选择标签 这个我还真没注意，svm利用smo算法优化或，应该只有最优解。 这个概率是怎么来的，是基于欧式距离算出来的吗，还是基于核空间距离，如果是基于距离得到的概率值，是不是离超平面的越近的点概率越大，而且在核函数以及参数的选取确定下后，有唯一最优解，那次优解能不能保证唯一？

我的理解是在进行多分类时，每一类都会对应一个决策函数，将测试样本带入各个决策函数会得到一个函数值，按照函数值的大小排序统计。既然求得了超平面，那么离超平面越远，分类判决的可能性应该更大才是。至于最优解和次优解的唯一问题，不太清楚，求 @yyjkdnsy 解答。 【 在 nodlese 的大作中提到: 】 : 这个我还真没注意，svm利用smo算法优化或，应该只有最优解。 : 这个概率是怎么来的，是基于欧式距离算出来的吗，还是基于核空间距离，如果是基于距离得到的概率值，是不是离超平面的越近的点概率越大，而且在核函数以及参数的选取确定下后，有唯一最优解，那次优解能不能保证唯一？

sigmoid函数出来的，勉强能用 【 在 nodlese 的大作中提到: 】 : 这个我还真没注意，svm利用smo算法优化或，应该只有最优解。 : 这个概率是怎么来的，是基于欧式距离算出来的吗，还是基于核空间距离，如果是基于距离得到的概率值，是不是离超平面的越近的点概率越大，而且在核函数以及参数的选取确定下后，有唯一最优解，那次优解能不能保证唯一？

weight vector 和 关于x和y的feature map 的 内积 不就是相应的decision value，第二大的就是次优？ 【 在 hugem 的大作中提到: 】 : 我的理解是在进行多分类时，每一类都会对应一个决策函数，将测试样本带入各个决策函数会得到一个函数值，按照函数值的大小排序统计。既然求得了超平面，那么离超平面越远，分类判决的可能性应该更大才是。至于最优解和次优解的唯一问题，不太清楚，求 @yyjkdnsy 解答。