是否有一组神奇的参数序列，可以让模型从之前未见过的数据中正确推断？

from sklearn.neural_network import MLPClassifierclf = MLPClassifier(                activation='logistic',                max_iter=100,                hidden_layer_sizes=(2,),                solver='lbfgs')X = [[ 0,  0],  # 2 samples, 3 features     [0, 1],#      [1, 0],    [1, 1]]y = [0,      1,#      1,     0]  # classes of each sampleclf.fit(X, y)assert clf.predict([[0, 1]]) == [1]assert clf.predict([[1, 0]]) == [1]

回答：

使用核函数如何？核函数是一种模型从数据中提取所需特征的方式。

通常使用的核函数可能无法满足你的需求。我认为它们试图在包含[0, 0]和[1, 1]的一个超平面与包含[0, 1]的另一个超平面之间找到‘切割’超平面。

例如，在二维空间中，一个超平面是y = x，另一个超平面是y = x + 1。那么‘切割’超平面可能是y = x + 1/2。

所以我建议使用以下核函数。

def kernel(X1, X2):    X1 = np.array([[(x[0] - x[1]) ** 2] for x in X1])    X2 = np.array([[(x[0] - x[1]) ** 2] for x in X2])    return np.dot(X1, X2.T)

这个核函数的作用是这样的。它对两个标量之间的差异进行平方处理，即(x – y)²。通过这种特征提取方式，数据将被特征化为如下形式：

• [0, 0] → [0]
• [0, 1] → [1]
• [1, 1] → [0]

对于未见过的数据也是如此：

• [1, 0] → [1]

因此，以下训练过的分类器将如你所愿地进行predict操作；([1, 0] → [1])。

clf = svm.SVC(kernel=kernel, max_iter=100)

在机器学习中，模型选择非常重要。一个不知道[0, 0]和[1, 1]属于同一组，而[0, 1]和[1, 0]属于另一组的模型，可能无法做出你期望的预测。