kernelmethods 0.2

核心方法

kernelmethods是一个纯python库，它定义了模块化类，提供了基本的内核方法，例如在给定的示例（n个维度p点）上计算各种内核函数，并为复合和超内核等高级功能提供了直观的界面。在不断增长的基于Python的机器学习生态系统中，这个库填补了一个重要的空白，用户只能使用预定义的内核，并且不能为它们自己的应用定制或扩展它们，这需要它们的多样性和更好的执行内核的灵活性。这个库定义了KernelMatrix类，它是所有内核方法和机器的核心。由于KernelMatrix类是输入数据和各种内核学习算法之间的关键桥梁，因此它被设计成高度可用并可扩展到不同的应用程序和数据类型。除了能够在给定的样本上应用基本内核（以生成KernelMatrix），该库还提供各种内核操作，例如规范化、定心、乘积、对齐评估、线性组合和内核矩阵的排序（通过各种性能指标）。

此外，我们还提供了几个方便的类，例如KernelSet和KernelBucket，以方便管理大量内核集合。在多核学习（mkl）等应用中，处理不同的核配置是自动选择和优化核的必要条件。

除了常见的数值核，如高斯核和多项式核外，我们还设计了这个库，以便于开发分类核、字符串核和图形核，同时具有直观和高度可测试的api的吸引人的特性。除了提供非数值内核的本机实现外，我们还旨在通过数据结构（如pyradigm）为任意输入数据类型（如序列、树和图等）提供一个深度且易于扩展的框架。

此外，还提供了名为KernelMachine的drop-in Estimator类，为scikit-learn生态系统中的无缝使用提供了SVM的功能。另一个有用的类称为OptimalKernelSVR，它可以找到给定样本的最佳核函数，并使用最佳核训练支持向量机。

文件

https://raamana.github.io/kernelmethods/

演示笔记本：

注

软件是测试版的。欢迎各类捐款。