SKLearn: ¿Obtener la distancia de cada punto desde el límite de decisión?

Estoy usando SKLearn para ejecutar SVC en mis datos.

from sklearn import svm
svc = svm.SVC(kernel='linear', C=C).fit(X, y)

Quiero saber cómo puedo obtener la distancia de cada punto de datos en X desde el límite de decisión.

Solución del problema

Resulta que estoy haciendo la tarea 1 de un curso llamado Técnicas de aprendizaje automático. Y sucede que hay un problema sobre la distancia del punto al hiperplano incluso para el núcleo RBF.

Primero sabemos que SVM es encontrar un w "óptimo" para un hiperplano wx + b = 0.

Y el hecho es que

w = \sum_{i} \alpha_i \phi(x_i)

donde esos x son los llamados vectores de soporte y esos alfa son coeficientes de ellos. Tenga en cuenta que hay un phi() fuera de la x; es la función de transformación que transforma x en un espacio de dimensión alta (para RBF, es una dimensión infinita). Y sabemos que

[\phi(x_1)\phi(x_2) = K(x_1, x_2)][2]

para que podamos calcular

entonces podemos obtener w. Por lo tanto, la distancia que desea debe ser

svc.decision_function(x) / w_norm

donde w_norm es la norma calculada anteriormente.

(StackOverflow no me permite publicar más de 2 enlaces, así que renderice el látex usted mismo, bah).