Python 使用自定义内核为'sklearn.svm'回归器生成歧义

我想在

Sklearn.svm

模块中使用定制的核函数。我发现以下代码是svc自定义内核的示例：

我想定义一些函数，如：

def my_new_kernel(X):
    a,b,c = (random.randint(0,100) for _ in range(3))
    # imagine f1,f2,f3 are functions like sin(x), cos(x), ...
    ans = a*f1(X) + b*f2(X) + c*f3(X)
    return ans

关于内核方法我的想法是，它是一个函数，获取特征矩阵（

X

）作为输入，并返回一个形状矩阵（n，1）。然后svm将返回的矩阵附加到特征列，并使用该矩阵对标签进行分类

在上面的代码中，内核用于

svm.fit

函数，我无法理解什么是

X

和

Y

内核的输入及其形状。如果

X

和

Y

（my_kernel方法的输入）是数据集的特征和标签，那么在没有标签的情况下，内核如何处理测试数据

---

实际上，我想对一个数据集使用svm，其形状为

（10000,6）

，（5列=特征，1列=标签），那么如果我想使用

我的新内核

方法，输入和输出以及它们的形状是什么；以下是一些可能会有所帮助的评论

我不知道内核的X和Y输入是什么，它们的形状是什么。如果X和Y（my_内核方法的输入）是数据集的特征和标签

的确如此；从

fit

的

参数：

X:{类数组，稀疏矩阵}，形状（n个样本，n个特征）

训练向量，其中n_samples是样本数，n_features是特征数。对于kernel=“precomputed” X的预期形状为（n个样本，n个样本）

y：类似阵列的形状（n_个样本，）

目标值（分类中的类标签，回归中的实数）

与默认可用内核完全相同

那么，在没有标签的情况下，内核如何处理测试数据呢

---

仔细查看您提供的代码将发现标签

Y

实际上仅在培训期间使用（

fit

）；它们当然不会在预测过程中使用（

clf.predict（）

在上面的代码中-不要与

yy

混淆，后者与

Y

无关）。

那么

myu kernel

函数的输出呢？形状是什么样的？（n_samples，n_samples？@masoudmasoumimomoghadam不太确定，只是通过阅读代码，但应该可以通过实验直观地看到它（尽管

np.dot

让我认为它应该是一个标量）。

def my_new_kernel(X):
    a,b,c = (random.randint(0,100) for _ in range(3))
    # imagine f1,f2,f3 are functions like sin(x), cos(x), ...
    ans = a*f1(X) + b*f2(X) + c*f3(X)
    return ans