支持非线性内核和多标签的SVM实现

Question

我正在寻找支持非线性内核和一对多方案的SVM实现，以执行多标签分类。最好用Python编写，或者我可以用Python用包装器调用。

我正在研究sklearn，有两种实现使用SVM进行分类：

sklearn.svm.LinearSVC - 支持多标签分类与一对一的方案，但它基于liblinear，因此只支持线性内核。

sklearn.svm.SVC - 基于libsvm，支持非线性内核，但多标签分类是在一对一减少的情况下完成的，它为K-way多类问题训练K（K-1）/ 2二元分类器。

更多信息也在这里：http://scikit-learn.org/stable/modules/multiclass.html

有谁知道任何其他直接支持多标签分类和非线性内核的SVM实现？

一种可能的解决方案也可能是根据sklearn.svm.SVC调整代码，以执行One-vs-Rest，这是否已经尝试过？

Answer 1

Binary Relevance problem transformation method使用one-rest-rest方法进行多标签分类。可以使用scikit-multilearn库轻松实现具有非线性内核的SVM。以下是执行相同操作的示例python代码，其中train_y的每一行都是表示多个标签的单热矢量（例如，[0,0,1,0,1,0]）

from skmultilearn.problem_transform.br import BinaryRelevance
from sklearn.svm import SVC

# Non-linear kernel
svm = SVC(kernel='rbf')
cls = BinaryRelevance(classifier=svm)

cls.fit(train_x, train_y)
predictions = cls.predict(test_x)