sklearn SVM自定义内核

Question

我需要在sklearn中实现自定义内核。

这将是一个自定义线性内核:

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

但我有麻烦做一些像RBF内核。有可能在sklearn自定义内核中做到这一点吗?

我已经试过了:

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

但不工作。

(我知道有一个预实现的RBF，但我需要手动实现它，因为我需要添加一些参数)

Answer 1

你的函数看起来不错。只需使用

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

有一个与您的应用程序相关的示例

Answer 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

然后用我定义的核调用SVM

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

这似乎工作良好。我唯一没有做到的是将一个超参数从svm传递到我的内核实现，所以我开始全局定义超参数，而不是作为一种解决方案。

如你所见，我已经定义了一个self。