sklearn SVM 自定义内核答案

【问题标题】：sklearn SVM custom kernelsklearn SVM 自定义内核
【发布时间】：2014-05-08 02:01:28
【问题描述】：

我需要在sklearn 中实现一个自定义内核。

这将是一个自定义线性内核：

def my_kernel(x, y):
    return np.dot(x, y.T)

但是我在做 RBF 内核之类的事情时遇到了麻烦。是否可以在 sklearn 自定义内核中做到这一点？

我试过这个：

def my_kernel(x, y):
    gamma = 0.01
    return np.exp((gamma* np.power(np.linalg.norm(x-y),2)))`

但是没有用。

（我知道有RBF的预实现，但是需要手动实现，因为需要添加一些参数）

【问题讨论】：

您在 gamma 之前缺少减号。查看正态分布方程。
试过了，同样的问题
另外，内核函数应该使用 MATRIX X 和 MATRIX Y 并返回内核值的 MATRIX（gram 矩阵），而不仅仅是一个元素。
“但是没有用。”为了获得更多帮助，我们必须知道 what 没有工作 - 它没有执行，没有产生预期的行为，预期的行为是什么。正如@lennon310 提到的——文档中有一个很好的例子。你试过吗？什么不起作用？

标签： python machine-learning scikit-learn kernel svm

【解决方案1】：

你的函数看起来不错。只需使用

clf = svm.SVC(kernel=my_kernel)
clf.fit(X, Y)

有an example与您的应用程序相关。

【讨论】：

【解决方案2】：

我已经实现了这样的东西

import numpy as np
from sklearn.metrics.pairwise import euclidean_distances
def gaussian_kernel(X, Y):
    kernel = euclidean_distances(X, Y) ** 2
    kernel = kernel*(-1/(self.gamma**2))
    kernel = np.exp(kernel)
    return kernel

然后用我定义的内核调用了 svm

from sklearn import svm
clf = svm.SVC(kernel=gaussian_kernel, max_iter = 10000)
clf.fit(X_train, y_train)

这似乎工作正常。我唯一没有做的就是将一个超参数从 svm 传递给我的内核实现，所以我开始全局定义超参数，而不是作为一种解决方法。

如您所见，我已经定义了一个我想调整的 self.gamma，但是在初始化 svm 时定义的 gamma 没有传递给我的函数。

【讨论】：