Python 在scikit learn中，是否可以通过网格搜索对自定义内核的参数进行调优？

我有一个自定义的内核函数，我正在使用带有SVC的GridSearchCV函数（kernel=my_kernel）

我的_内核函数需要调整一个参数k，所以我想知道是否可以配置param _grid选项来调整自定义内核函数的参数

例如，可以按如下方式调整RBF内核的gamma参数。我可以为我的定制内核提供一个param_grid=dict（k=k_range）类型的选项吗

gamma_range = 10. ** np.arange(-5, 4)
param_grid = dict(gamma=gamma_range)
grid = GridSearchCV(SVC(), param_grid=param_grid, cv=StratifiedKFold(y=Y, k=5))

---

一种方法是使用

Pipeline

，

SVC（kernel='precomputed'）

并将自定义内核函数包装为

sklearn

估计器（一个

BaseEstimator

和

TransformerMixin

的子类）

例如，

sklearn

包含一个

chi2_内核（X，Y=None，gamma=1.0）

，它计算特征向量

X

和

Y

的内核矩阵。 此函数采用参数

gamma

，最好使用交叉验证进行设置。 我们可以对该函数的参数进行网格搜索，如下所示：

from\uuuuu future\uuuuu导入打印功能
来自未来进口部
导入系统
将numpy作为np导入
导入sklearn
来自sklearn.base导入BaseEstimator，TransformerMixin
从sklearn.cross\u验证导入序列测试\u分割
从sklearn.dataset导入load_数字
从sklearn.grid\u搜索导入GridSearchCV
从sklearn.metrics导入准确性\u分数
从sklearn.metrics.pairwise导入chi2_内核
从sklearn.pipeline导入管道
从sklearn.svm导入SVC
#自定义内核chi2_内核的包装器类
Chi2Kernel类（基本估计量，TransformerMixin）：
def ___;初始（自，伽马=1.0）：
超级（Chi2Kernel，self）。\uuuu init\uuuuuu（）
self.gamma=gamma
def变换（自，X）：
返回chi2_内核（X，self.X_列，gamma=self.gamma）
def配合（自身、X、y=无，**配合参数）：
self.X\u列车=X
回归自我
def main（）：
打印（'python:{}'。格式（sys.version））
打印（'numpy:{}'。格式（np.\uuu版本）
打印（'sklearn:{}'。格式（sklearn.\uuuuuuu版本）
np.random.seed（0）
#获取一些数据进行评估
数据集=加载数字（）
X=dataset.data
y=dataset.target
X_系列，X_测试，y_系列，y_测试=系列测试分割（X，y，测试尺寸=0.33）
#创建一个管道，其中包含自定义预定义内核Chi2Kernel
#在SVC之前运行。
管道([
（'chi2'，Chi2Kernel（）），
（'svm'，SVC（）），
])
#设置自定义内核的参数“gamma”
#使用“估计器参数”语法。
cv_参数=dict([
（'chi2__γ'，10.0**np.arange（-9,4）），
（'svm__内核'，['precomputed']），
（'svm_u_C'，10.0**np.arange（-2,9）），
])
#进行网格搜索以获得“gamma”的最佳参数值。
model=GridSearchCV（管道，cv参数，cv=5，verbose=1，n_作业=-1）
模型拟合（X\U系列、y\U系列）
y_pred=模型预测（X_检验）
acc_测试=准确性_分数（y_测试，y_预测）
打印（“测试精度：{}”。格式（acc_测试））
打印（“最佳参数：”）
打印（型号最佳参数）
如果uuuu name uuuuuu='\uuuuuuu main\uuuuuuu'：
main（）

输出：

---

在您的情况下，只需使用计算内核矩阵的函数替换

chi2_内核

。

如中所述。。。如何使用自动参数调整与？它是sklearn的替代品，通常比手动调整参数做得更好。

使用scikit learn 0.19，您可以

from sklearn.kernel_ridge import KernelRidge
from sklearn.metrics.pairwise import chi2_kernel

reg_kridge=KernelRidge(kernel='chi2')
params_grid={"gamma":np.logspace(0,-4,5)}
reg=GridSearchCV(reg_kridge,params_grid, n_jobs=-1,cv=10,scoring='neg_mean_squared_error')
reg.fit(train, target)

---

我正试图使用Tommi的示例来实现。我一直收到这个错误：

PicklingError:Can't pickle:它与epanechnikov_kernel不是同一个对象。epanechnikov_kernel

另一个建议关闭

%load\u ext autoreload

autoreload 2

，但我仍然收到这个错误。想法？您可能会发现，

dill

包比其他酸洗方法更好地处理序列化非标准/自定义转换

from sklearn.kernel_ridge import KernelRidge
from sklearn.metrics.pairwise import chi2_kernel

reg_kridge=KernelRidge(kernel='chi2')
params_grid={"gamma":np.logspace(0,-4,5)}
reg=GridSearchCV(reg_kridge,params_grid, n_jobs=-1,cv=10,scoring='neg_mean_squared_error')
reg.fit(train, target)