多核学习方法旨在构建一个核模型，其中核是固定基核的线性组合。然后学习内核包括学习每个基本内核的加权系数，而不是优化单个内核的内核参数。
多核学习的缺点似乎是它们的可解释性和计算成本较低（因为要评估模型输出，您需要评估所有基本内核）。那么如果简单地优化单个内核就可以达到类似的性能，那么MKL有什么优势呢？
多核学习 (MKL) 方法的优点是什么？
机器算法验证
机器学习
支持向量机
内核技巧
2022-03-29 08:42:35
1个回答
有两个优点（或者说是两个用例）：
对于 SVM 的每个应用程序，用户必须选择使用哪个内核，有时甚至必须设计自己的内核矩阵。是否有可能减轻选择内核或专门的内核设计？MKL 是朝着那个方向迈出的一步。
恕我直言，第二个案例是迄今为止更具说服力的案例。考虑您的数据输入是视频数据 + cc。每个视频的特征表示由视频特征、音频特征和文本特征组成。这样的数据被称为多模态数据。每组这些特征可能需要不同的相似性概念（不同的内核）。与其为此类应用程序构建专门的内核，是否可以为每种模式定义内核并线性组合它们？