我正在尝试使用接受 3 个参数的自定义内核，以及 sk-learn 中的 SVM：
def k_gaussian(_x1, _x2, _sigma):
normsq = np.square(np.linalg.norm(_x1-_x2))
return np.exp(- normsq/(2 * np.square(sigma)))
根据文档，自定义内核必须只有两个参数，svm.SVC类将使用给定的输入数据自动处理。我们被告知以如下形式传递自定义内核：
clf = svm.SVC(kernel=my_kernel)
但是，我正在处理一项任务，该任务要求我们对不同值的 SVM 性能进行实验_sigma。
在这种情况下，我怎样才能做到这一点？我可以传递类似的东西吗？：
clf = svm.SVC(kernel=k_gaussian(_sigma=2))
装饰器之类的东西会在这里帮助我吗？
这可以通过像这样的闭包来完成：
def build_k_gaussian(sigma):
def k_gaussian(_x1, _x2):
diff = _x1[:, np.newaxis] - _x2
normsq = np.square(np.linalg.norm(diff, axis = 2))
return np.exp(- normsq / (2 * np.square(sigma)))
return k_gaussian
clf = svm.SVC(kernel=build_k_gaussian(sigma=2))
该函数在被调用 k_gaussian时定义。将能够访问函数创建时的值。这称为闭包。build_k_gaussian()k_gaussiansigma
所以最后，build_k_gaussian返回一个带两个参数的函数，也就是需要的kernel参数。
根据Using Python functions as kernels on scikit-learn：
您的内核必须将两个形状矩阵 (n_samples_1, n_features) 和 (n_samples_2, n_features) 作为参数，并返回一个形状为 (n_samples_1, n_samples_2) 的内核矩阵。
因此，您需要对所有样本对应用核函数，因此
diff广播_x1矩阵并从 中的所有样本中减去所有_x2样本_x1。你必须计算范数axis=2。