我正在尝试使用带有 sklearn 预计算内核的 SVM 来执行二元分类任务。
我创建了我的火车内核，但我包含了一个我不打算包含的功能，并且测试数据中不存在该功能。我对内核除了数据点之间的“距离”之外到底是什么没有非常透彻的了解，但是是否可以从训练内核中删除此功能而无需生成新的功能？
我认为你需要重新训练 SVM，因为决策边界现在包含了无效的特征。
但是，假设您无法重新训练 SVM，一种可能有效的方法是在测试数据中插入一列零，以获得与训练数据匹配的列数（或者直接删除该特征）进行预测时来自训练数据）。这将使矩阵维度与预测兼容，并将为无效特征分配 0 值。 SVM 将能够做出预测。然而，如果 SVM 学会了依赖于无效的特征，最终可能会得到不好的结果。
通常，我观察到默认内核往往工作得很好，并为不同的任务提供灵活性（至少对于基线模型而言）；是否有特定需要为您的案例定义自定义内核？
通常的做法是重新训练 SVM。如果您能详细说明为什么这是不可能的，这可能会有所帮助（如果是技术问题，我或其他人可能会提供帮助）。