我正在使用scikit-learn，并希望通过RBF内核运行SVR。我的数据集很大，因此从阅读其他文章开始，建议我使用SGD回归和RBF近似。有趣的是，与仅使用SGD相比，将SGD与RBF结合使用会得到更差的结果。我想这可能是由于错误的参数值。我尝试为RBF采样器循环遍历gamma和n_components，并尝试了一些SGD regessor参数，但无济于事。我还输出了训练和交叉验证错误，两者大致相同，因此我认为这是一个偏见问题。
最佳答案
您为什么认为RBF特征空间必须具有比线性特征空间更高的精度？尽管通常是这样，但没有理由相信这一定是真的。 RBF内核在整个类别的现实世界数据上做得不好
除此之外，还有许多其他问题可以被询问/探索。如果没有其他人使用/浏览您的数据，通常无法提出此类问题。如：
原始特征值是否正确归一化？
使用的近似方法是否适合数据量/数据类型
问题是病态还是病态？如果是这样-我们的近似值是导致误差的原因吗？
原始功能是否足以使用RBF？
测试的参数值是否适合我的数据及其缩放？
当前获得的错误率是多少？对于可行的错误率，合理的期望是什么？
关于machine-learning - SciKit SGD回归器RBF内核逼近，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/20007248/