我正在开展一项解码与人类视觉相关的大脑活动的项目。我在计算机屏幕上显示图像并使用移动EEG耳机记录大脑活动，然后我使用机器学习来查找图像的特定特征与相关EEG之间的连接。
在实践中，每个训练样本包括从500个EEG特征到50个图像特征的学习，这对于SKLearn Ridge回归器来说没有问题，但是我有兴趣尝试其他回归量。当我用LinearSVR尝试相同的代码时，我意识到它的拟合函数不支持＆gt; 1维。为了解决这个问题，我简单地创建了一个回归列表，每个回归量都将EEG和单个图像特征作为训练样本，然后我可以从此列表中的每个回归量中获得预测，并将结果合并到图像特征向量中。这确实有效，但它非常缓慢和笨拙，我想知道SKLearn（或一般的Python）是否有更原则的方式来实现这些案例y＆gt; 1个尺寸。我应该提一下，我正在使用Multiprocessing模块中的Pool来尝试加快速度。
我还发现虽然SKLearn的大部分核心功能都运行良好，但我的用例与应用许多实用程序功能的区别太大了。例如（我认为）由于上述原因，我必须实现自己的gridsearch函数而不是使用内置函数。这是常态吗？我不觉得我想解决的问题应该特别独特。