Scikit learn scikit学习中自定义核SVM的交叉验证
我想使用scikit learn通过交叉验证对自定义内核SVM进行网格搜索。更准确地说 我想定义一个内核函数,比如Scikit learn scikit学习中自定义核SVM的交叉验证,scikit-learn,svm,cross-validation,Scikit Learn,Svm,Cross Validation,我想使用scikit learn通过交叉验证对自定义内核SVM进行网格搜索。更准确地说 我想定义一个内核函数,比如 def my_kernel(x, y): """ We create a custom kernel: k(x, y) = x * M *y.T """ return np.dot(np.dot(x, M), y.T) 其中M是核的参数(如高斯核中的gamma) 我想输入这个参数M,比如 parameters = {'kernel':('my_kernel')
def my_kernel(x, y):
"""
We create a custom kernel:
k(x, y) = x * M *y.T
"""
return np.dot(np.dot(x, M), y.T)
其中M是核的参数(如高斯核中的gamma)
我想输入这个参数M,比如
parameters = {'kernel':('my_kernel'), 'C':[1, 10], 'M':[M1,M2]}
svr = svm.SVC()
clf = grid_search.GridSearchCV(svr, parameters)
所以我的问题是:如何定义my_内核,以便GridSearchCV给出M变量?您可能需要创建一个包装器类。比如:
class MySVC(BaseEstimator,ClassifierMixin):
def __init__( self,
# all the SVC attributes
M ):
self.M = M
# etc...
def fit( self, X, y ):
kernel = lambda x,y : np.dot(np.dot(x,M),y.T)
self.svc_ = SVC( kernel=kernel, # the other parameters )
return self.svc_.fit( X, y )
def predict( self, X ):
return self.svc_.predict( X )
# et cetera