我正在使用scikit-learn，并希望使用RBF内核运行SVR . 我的数据集非常大，所以通过阅读其他帖子，我被建议使用SGD回归和RBF近似 . 有趣的是，与使用SGD本身相比，使用SGD和RBF会导致更糟糕的结果 . 我想这可能是由于参数值错误造成的 . 我试着通过gamma和n_components为RBF采样器循环，并为SGD regessor尝试了许多参数无济于事 . 我也输出了训练和交叉验证错误，两者大致相同，所以我认为这是一个偏见问题 .
为什么您认为RBF特征空间必须具有比线性特征空间更高的精度？虽然情况经常发生，但没有理由相信必须如此 . 有一整套真实世界数据，RBF内核的表现不佳
除此之外，还有许多其他问题可以提出/探讨 . 如果没有其他人使用/探索您的数据，这些问题通常是不可思议的 . 如：
原始要素值是否正确标准化？
使用的近似方法是否适合数据量/数据类型
问题是否有病态或病情严重？如果是这样 - 我们对近似值的近似是我们错误的原因吗？
原始功能是否足够有意义，可以使用RBF？
测试的参数值是否适合我的数据及其缩放？
目前获得的错误率是多少？疼痛可行错误率的合理期望是什么？
1 回答
为什么您认为RBF特征空间必须具有比线性特征空间更高的精度？虽然情况经常发生，但没有理由相信必须如此 . 有一整套真实世界数据，RBF内核的表现不佳
除此之外，还有许多其他问题可以提出/探讨 . 如果没有其他人使用/探索您的数据，这些问题通常是不可思议的 . 如：
原始要素值是否正确标准化？
使用的近似方法是否适合数据量/数据类型
问题是否有病态或病情严重？如果是这样 - 我们对近似值的近似是我们错误的原因吗？
原始功能是否足够有意义，可以使用RBF？
测试的参数值是否适合我的数据及其缩放？
目前获得的错误率是多少？疼痛可行错误率的合理期望是什么？