scikit-learn 中自定义内核 SVM 的交叉验证

Cross validation for custom kernel SVM in scikit-learn

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 this example 我想定义一个像

这样的内核函数
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是核的一个参数(就像高斯核中的gamma)。

我想通过 GridSearchCV 为这个参数 M 提供类似

的内容
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_kernel 以便 GridSearchCV 给出 M 变量?

您可能需要制作一个包装器 class。类似于:

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