Python Sci工具包学习中SVM自定义核函数的参数解析

我遵循教程，尝试在SVM中使用自定义内核。例如，我实现多项式核函数如下：

   def poly_kernel(x, y):
       degree = 3
       return np.dot(x, y.T) ** 3

    # X is some data
    # y is some target
    svr = SVR(kernel=poly_kernel, C=1e3, degree=4)
    y = svr.fit(X, y).predict(X)

然后，结果似乎与原始的“多边形”非常相似，度数为3。然而，它带来了一个问题，我不知道如何将度解析为内核函数的参数

例如，我按如下方式构建：

   def poly_kernel(x, y):
       degree = 3
       return np.dot(x, y.T) ** 3

    # X is some data
    # y is some target
    svr = SVR(kernel=poly_kernel, C=1e3, degree=4)
    y = svr.fit(X, y).predict(X)

它似乎没有正确地将参数解析到内核。我还尝试在内核函数中使用命名参数

    def poly_kernel(x, y, **kwargs):
        degree = 3
        try:
            degree = kwargs.get('degree')
        except:
            pass
        return np.dot(x, y.T) ** 3

但它不起作用

那么，在这种情况下，有没有办法正确解析参数

---

提前谢谢

在这种情况下，可以动态构造内核函数。我们可以使用lambda获取匿名函数作为变量

例如：

    def linear_kernel(c = 0):
        return lambda x, y: np.dot(x, y.T) + c

当我们想使用它时，我们只需：

    lkf = linear_kernel(c=20)
    svr_linear = SVR(kernel=lkf)
    y_linear = svr_linear.fit(X, y).predict(X)

我调用SVR（）时忽略了参数

然而，我不确定这是否是一种肮脏的方式，但至少它是有效的