不同特征的不同内核 – scikit-learn SVM

我正在尝试使用 sklearn.svm.SVC 构建一个分类器，但我希望在不同的特征子集上分别训练内核，以更好地表示特征空间（如此处所述）。

我已经阅读了用户指南的页面，我了解到我可以创建由单个内核相加的内核，或者向SVC提供预计算的内核（kernel = 'precomputed'），但我不明白如何将不同的内核应用于不同的特征？在sklearn中有没有办法实现这个？

我已经找到了一种在sklearn中计算内核的方法（https://scikit-learn.org/stable/modules/gaussian_process.html#gp-kernels），所以我可以分别计算每个集合上的内核。然而，一旦我输出距离矩阵，我不确定如何使用它来训练SVM。

我是否需要创建一个自定义内核，如下所示：

if feature == condition1:   use kernel Xelse:   use kernel Y

并将其添加到SVM中？

或者是否有其他Python库可以用于此目的？

回答：

你提到的这个问题属于多内核学习（MKL）。你可以为不同的特征组训练不同的内核。我在一个多模态案例中使用过这种方法，那时我希望为图像和文本使用不同的内核。

我不确定你是否真的可以通过scikit-learn来实现这一点。

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

希望它能帮助你实现你的目标。

学技术