Python 如何使用scikit学习'；以直方图为特征的支持向量机？_Python_Machine Learning_Svm_Scikit Learn

Python 如何使用scikit学习'；以直方图为特征的支持向量机？

python machine-learning scikit-learn

Python 如何使用scikit学习'；以直方图为特征的支持向量机？,python,machine-learning,svm,scikit-learn,Python,Machine Learning,Svm,Scikit Learn,我希望使用scikit learn的SVM和卡方核，如图所示。在这个场景中，内核基于直方图，这就是我的数据所表示的。然而，我找不到一个与直方图一起使用的例子。正确的方法是什么将直方图视为一个向量，其中向量中的每个元素都对应于直方图的一个单元，这是正确的方法吗提前感谢您sklearn.svm.SVC以两种方式接受自定义内核：作为内核参数传递给构造函数的任意python函数预计算内核矩阵作为第一个参数传递给构造函数中的fit和kernel=precomputed 前者可能慢得多，但不需要

我希望使用scikit learn的SVM和卡方核，如图所示。在这个场景中，内核基于直方图，这就是我的数据所表示的。然而，我找不到一个与直方图一起使用的例子。正确的方法是什么

将直方图视为一个向量，其中向量中的每个元素都对应于直方图的一个单元，这是正确的方法吗

提前感谢您

sklearn.svm.SVC

以两种方式接受自定义内核：

作为
```
内核
```
参数传递给构造函数的任意python函数
预计算内核矩阵作为第一个参数传递给构造函数中的
```
fit
```
和
```
kernel=precomputed
```

前者可能慢得多，但不需要预先分配整个内核矩阵（这对于大型

n_样本来说可能是禁止的）
中有更多详细信息和示例链接。
中有一个使用近似特征图的示例。它适用于RBF内核，但工作原理相同
上面的示例使用“管道”，但您也可以在将数据交给线性分类器之前将转换应用于数据，因为AdditiveChi2Sampler
实际上并不以任何方式将其与数据相匹配
请记住，这只是内核映射的近似值（我发现它工作得很好），如果你想使用精确的内核，你应该使用ogrisel的anwser。
OP显然想使用Andy的内核近似值，它的工作方式不同（将用于线性学习器）实际上，我不确定OP是否想要一个真正的内核并在其上使用libsvm的SMO解算器，或者OP是否想要用非线性随机特征映射来近似内核扩展，然后在其上训练线性SVM，如SGDClassizer。