Python 如何使用自己的rbf函数替换sklearn中的svm.SVR“rbf”内核？

我开发了以下代码，用于启动svm方法的项目：

import numpy as np
import pandas as pd

from sklearn import svm
from sklearn.datasets import load_boston
from sklearn.metrics import mean_absolute_error

housing = load_boston()
df = pd.DataFrame(np.c_[housing['data'], housing['target']],
              columns= np.append(housing['feature_names'], ['target']))

features = df.columns.tolist()
label = features[-1]
features = features[:-1]

x_train = df[features].iloc[:400]
y_train = df[label].iloc[:400]

x_test = df[features].iloc[400:]
y_test = df[label].iloc[400:]

svr = svm.SVR(kernel='rbf')
svr.fit(x_train, y_train)
y_pred = svr.predict(x_test)

print(mean_absolute_error(y_pred, y_test))

现在我想使用我定制的rbf内核，它是：

def my_rbf(feat, lbl):
#feat = feat.values
    #lbl = lbl.values
    ans = np.array([])
    gamma = 0.000005
    for i in range(len(feat)):
        ans = np.append(ans, np.exp(-gamma * np.dot(feat[i]-lbl[i], feat[i]-lbl[i])))

    return ans

然后我改变了svm.SVRkernel=my_rbf，但在以任何方式修改它时，我都会得到很多错误。我还尝试使用一个简单的函数，如np.dotfeat lbl，feat lbl，它在SVR.fit方法中运行良好，但在SVR.predict中出现了一些错误，即输入矩阵的形状必须类似于[n_samples_test，n_samples_train]

我无法处理这些错误。有人能帮我完成这段代码吗？

您编写的自定义内核方法my_rbf同时使用X特征和y标签。您无法在预测期间计算此函数，因为您无法访问标签。自定义内核如果有缺陷

背景

RBF函数的定义如下：

其中x和x'是两个特征x向量

设HX是一个函数，它将向量X变换为其他维度，通常变换为非常高的维度。SVM需要计算所有特征向量组合（即所有HX）之间的点积。所以如果HX1。HX2=KX1，X2那么K被称为核函数或H的核化。因此，不是将点X1和X2转换为非常高的维度并计算那里的点积，而是直接从X1和X2计算

结论 my_rbf不是一个有效的核函数，因为它使用标签Ys。它应该只在特征向量上

根据我所寻找的RBF函数，将训练特征作为X，测试特征作为X'作为输入和输出[n_training_samples，n_testing_samples]，如中所述，如下所示：

def my_kernel(X,Y):
    K = np.zeros((X.shape[0],Y.shape[0]))
    for i,x in enumerate(X):
        for j,y in enumerate(Y):
            K[i,j] = np.exp(-1*np.linalg.norm(x-y)**2)
    return K

clf=SVR(kernel=my_kernel)

其结果正好等于：

clf=SVR(kernel="rbf",gamma=1)

---

就速度而言，它缺乏与默认svm库rbf一样有效的性能。将cython库用于索引和numpy数组可能会有帮助，以稍微加快速度。

好吧，那么，我应该如何替换my_rbf函数并使代码像使用默认内核='rbf'时那样工作？