Question

我正在尝试使用sklearn.svm.SVC构建分类器，但是我想分别针对特征的不同子集训练内核，以更好地表示特征空间（如here所述）。

我已经阅读了《用户指南》 page，并且了解到我可以创建由各个内核之和组成的内核，也可以将预先计算的内核（kernel = 'precomputed'馈入SVC中，但我不知道如何我将不同的内核应用于不同的功能？有没有一种方法可以在sklearn中实现呢？

我找到了一种在sklearn（https://scikit-learn.org/stable/modules/gaussian_process.html#gp-kernels）中计算内核的方法，因此我可以分别计算每个集合的内核。但是，一旦我输出了距离矩阵，就不确定如何使用它来训练SVM。

我是否必须创建一个自定义内核，例如：

if feature == condition1:
   use kernel X
else:
   use kernel Y

并将其添加到SVM吗？

或者还有其他我可以使用的python库吗？

Answer 1

您指的是Multiple Kernel Learning (MKL)的问题。您可以在其中为不同的功能组训练不同的内核。我在多模式情况下使用了此方法，在这种情况下，我需要用于图像和文本的不同内核。

我不确定您是否真的可以通过scikit-learn做到。

GitHub上提供了一些库，例如，这个库：https://github.com/IvanoLauriola/MKLpy 1

希望它可以帮助您实现目标。

Answer 2

在[ { "company": "google", "status": "active", "offer": { "job": "developer", "salary": 10000.00 }, }, { "company": "google", "status": "active", "offer": { "job": "designer", "salary": 500000.00 }, }, { "company": "amazon", "status": "inactive", "offer": { "job": "designer", "salary": 500000.00 }, } ]中可以进行多次内核学习。只需指定[ { "company" : "google", "report" : [{ "status" : "active", "totalSalary" : 60000 }, { "status" : "inactive", "totalSalary" : 0 }] }, { "company" : "amazon", "report" : [{ "status" : "active", "totalSalary" : 0 }, { "status" : "inactive", "totalSalary" : 500000.00 }] } ]，然后将您要使用的内核矩阵传递给sklearn。

假设您的内核矩阵是其他两个内核矩阵的总和。您可以根据自己的喜好计算kernel='precomputed'和fit，并使用K1。

具有不同功能的不同内核-scikit-learn SVM

2 个答案: