我只是想更好地控制SVM的输出结果。

我尝试搜索文档，但找不到似乎能实现此功能的函数。

回答：

有人可能会说SVM没有隐藏节点，但这只是部分正确。

最初，SVM被称为支持向量网络（这是Vapnik本人对它们的称呼），它们被视为一种具有单隐藏层的 neural networks。由于当时神经网络的流行，许多人至今仍使用sigmoid “kernel”，尽管它很少是有效的Mercer核（仅因为神经网络社区习惯于使用它，他们开始使用它，尽管它没有数学依据）。

那么SVM是神经网络吗？是的，它可以被视为神经网络。事实上，许多分类器都可以通过这种视角来看。然而，使SVM真正不同的是它们的训练和参数化方式。特别是，SVM使用有效的Mercer核作为“激活函数”（它们表示某些空间中的点积）。此外，隐藏节点的权重等于训练样本，因此你得到的隐藏单元数量与训练样本数量相同。在训练过程中，SVM会通过解决一个偏好稀疏解（移除隐藏单元）的优化问题，自动减少隐藏单元的数量，从而最终得到由训练样本子集组成的隐藏层，我们称之为支持向量。需要强调的是，这不是SVM的经典观点，但它是一个有效的视角，对于来自神经网络社区的人来说可能更容易理解。

那么你能控制这个数量吗？是也不是。不是，因为SVM需要所有这些隐藏单元来进行有效的优化问题，它会自动移除所有冗余的单元。是的，因为存在一种替代的优化问题，称为nu-SVM，它使用nu-超参数，这是支持向量的下限，因此也是隐藏单元的下限。不幸的是，你不能直接指定上限。

但我真的需要这样做！ 如果真是这样，你可以使用遵循你限制的近似解决方案。你可以使用H维采样器来显式地近似核空间（http://scikit-learn.org/stable/modules/kernel_approximation.html）。其中一种方法是Nystroem方法。简而言之，如果你想拥有”H隐藏单元”，你只需拟合Nystroem模型以产生H维输出，通过它转换你的输入数据，并在其上拟合线性SVM。从数学角度来看，**这是在以给定核近似真正的非线性SVM，尽管速度较慢。