高斯核函数的python代码

高斯核函数是一种常用的核函数，它可以将数据映射到高维空间中，从而更好地进行分类或回归。以下是高斯核函数的Python代码：

import numpy as np
from scipy.spatial.distance import pdist, squareform

def gaussian_kernel(X, sigma=1):
    """
    高斯核函数
    :param X: 输入数据，形状为(n_samples, n_features)
    :param sigma: 高斯核函数的参数
    :return: 高斯核矩阵，形状为(n_samples, n_samples)
    """
    pairwise_dists = squareform(pdist(X, 'euclidean'))
    K = np.exp(-pairwise_dists ** 2 / (2 * sigma ** 2))
    return K

其中，`X`是输入数据，`sigma`是高斯核函数的参数。`pairwise_dists`是输入数据两两之间的欧几里得距离，`K`是高斯核矩阵，它的每个元素都是两个样本之间的相似度。

相关问题

高斯核函数python代码

高斯核函数也叫径向基函数（Radial Basis Function，RBF）核函数，可以用于支持向量机（SVM）和其他机器学习算法中的特征映射。其Python代码实现如下：

import numpy as np

def gaussian_kernel(x1, x2, sigma=1):
    """
    高斯核函数
    :param x1: 特征向量1
    :param x2: 特征向量2
    :param sigma: 高斯核函数的参数
    :return: 高斯核函数值
    """
    return np.exp(-np.linalg.norm(x1-x2)**2 / (2 * (sigma**2)))

其中，`x1`和`x2`为两个特征向量，`sigma`为高斯核函数的参数，一般默认为1。

svm高斯核函数python代码

以下是使用 Scikit-learn 库实现 SVM 高斯核函数的 Python 代码：

from sklearn import svm
import numpy as np

# 生成一些随机数据
X = np.random.randn(100, 2)
y = np.logical_xor(X[:, 0] > 0, X[:, 1] > 0)

# 创建 SVM 模型，使用高斯核函数
clf = svm.SVC(kernel='rbf')

# 训练模型
clf.fit(X, y)

# 预测新数据的标签
new_data = np.array([[1, 1], [-1, -1]])
print(clf.predict(new_data))

在这个例子中，我们生成了一些随机数据，并创建了一个 SVM 模型，使用高斯核函数。然后，我们训练模型并预测新数据的标签。