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

高斯核函数也称为径向基函数（RBF）核函数，是常用的核函数之一，它在机器学习中被广泛应用。以下是实现高斯核函数的 Python 代码：

import numpy as np

def gaussian_kernel(x1, x2, sigma):
    """
    Computes the Gaussian kernel between two vectors x1 and x2.
    
    Parameters:
    x1 -- array_like, shape (n, )
    x2 -- array_like, shape (n, )
    sigma -- float, parameter for the Gaussian kernel
    
    Returns:
    sim -- float, similarity score
    """
    # Convert to numpy arrays if necessary
    x1, x2 = np.array(x1), np.array(x2)
    
    # Compute the squared Euclidean distance between the two vectors
    dist_squared = np.sum((x1 - x2) ** 2)
    
    # Compute the Gaussian kernel
    sim = np.exp(-dist_squared / (2 * sigma ** 2))
    
    return sim

其中，x1 和 x2 是两个向量，sigma 是高斯核函数的参数。函数返回两个向量之间的相似度得分。

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。