我想在sklearn中编写线性内核回归的代码，于是我编写了以下代码：
model = LinearRegression()weights = rbf_kernel(X_train,X_test)for i in range(weights.shape[1]): model.fit(X_train,y_train,weights[:,i]) model.predict(X_test[i])然后我发现sklearn中有KernelRidge：
model = KernelRidge(kernel='rbf')model.fit(X_train,y_train)pred = model.predict(X_train)我的问题是：
1-这两个代码之间的区别是什么？2-在KernelRidge()之后的model.fit()中，我在文档中发现可以向fit()函数添加第三个参数“weight”，如果我已经对模型应用了内核函数，我该如何操作？
回答：
- 这两个代码片段之间的区别是什么？
基本上，它们没有任何共同点。你的第一个代码片段实现了线性回归，并任意设置了样本的权重。（你怎么会想到这样调用rbf_kernel？）这仍然只是一个线性模型，仅此而已。你只是（有点随机地）指定了哪些样本重要，然后在特征上循环（？）。这完全没有意义。总的来说：你对rbf_kernel的使用是完全错误的；这完全不是它应该被使用的方式（这就是为什么当你试图将其传递给fit方法时会出错，你最终不得不进行循环并单独传递每一列）。
将这种模型拟合到均值为0的余弦数据的示例：
- 我发现
KernelRidge()之后的model.fit()函数的文档中可以添加第三个参数weight。如果我已经对模型应用了内核函数，我应该这样做吗？
这是真正的内核方法，内核不是样本加权。（人们可能会使用内核函数来分配权重，但这不是“线性内核回归”或一般“内核方法”中内核的含义。）内核是一种向分类器引入非线性的方法，这源于许多方法（包括线性回归）可以表示为向量之间的点积，可以用内核函数替代，从而在不同的空间中解决问题（再生希尔伯特内核空间），该空间可能具有非常高的复杂性（如RBF内核诱导的连续函数的无限维空间）。
拟合到上述相同数据的示例：
from sklearn.linear_model import LinearRegressionfrom sklearn.kernel_ridge import KernelRidgeimport numpy as npfrom matplotlib import pyplot as pltX = np.linspace(-10, 10, 100).reshape(100, 1)y = np.cos(X)for model in [LinearRegression(), KernelRidge(kernel='rbf')]: model.fit(X, y) p = model.predict(X) plt.figure() plt.title(model.__class__.__name__) plt.scatter(X[:, 0], y) plt.plot(X, p) plt.show() 