The error message you received indicates that the coef_12. If you are using a radial-basis kernel, then you can use dual_coef_ and support_vectors_ instead of coef_1.
Here’s an example code snippet that demonstrates how to use the dual_coef_ and support_vectors_ attributes in SVM with a radial-basis kernel:
from sklearn.svm import SVC
import numpy as np
# Create an SVM classifier with a radial-basis kernel
svm_model = SVC(kernel='rbf')
# Fit the model to the data
svm_model.fit(X, temperature)
# Get the support vectors and dual coefficients
support_vectors = svm_model.support_vectors_
dual_coefficients = svm_model.dual_coef_
# Compute the coefficients from the support vectors and dual coefficients
coefficients = np.dot(dual_coefficients, support_vectors)错误消息 "AttributeError: coef_ is only available when using a linear kernel svm_model.fit(X, temperature)" 意味着您尝试在使用非线性内核（如RBF或多项式内核）的支持向量机（SVM）模型上访问 coef_ 属性，但该属性只对线性内核有效。
在SVM中，coef_ 属性用于获取线性内核的系数。这些系数表示了特征的权重。然而，当您使用非线性内核时（如RBF内核），模型的决策函数不再是线性的，因此没有对应于 coef_ 的系数。
如果您要使用非线性内核，通常无法直接访问 coef_ 属性，因为模型的决策边界不再是一个简单的线性函数。相反，您可以使用 support_vectors_ 属性来获取支持向量的信息，以及核函数的相关信息。
以下是一个示例，展示如何使用支持向量和非线性内核的属性：
from sklearn.svm import SVC
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
# 加载数据集
iris = load_iris()
X = iris.data
y = iris.target
# 创建SVM模型，使用RBF内核
svm_model = SVC(kernel='rbf')
# 拟合模型
svm_model.fit(X, y)
# 获取支持向量
support_vectors = svm_model.support_vectors_
# 获取支持向量的索引
support_vector_indices = svm_model.support_
# 获取支持向量的对应类别标签
support_vector_labels = y[support_vector_indices]
# 获取非线性内核的相关信息
dual_coef = svm_model.dual_coef_注意，dual_coef_ 包含了支持向量在决策函数中的权重，但这些权重在非线性内核情况下不同于线性内核的系数。在使用非线性内核时，通常更关注支持向量的位置和相关信息，而不是线性系数。