如何在 scikit-learn (python) 的 KernelDensity 中使用用户定义的度量

Question

我正在使用 scikit-learn (0.14) 并尝试为我的 KernelDensity 估计实现用户定义的度量。

以下代码是我的代码结构示例：

def myDistance(x,y):
    return np.sqrt(sum((x - y)**2))

dt=DistanceMetric.get_metric("pyfunc",func=myDistance)

kernelModel=KernelDensity(algorithm='ball_tree',metric='pyfunc')
kernelModel.fit(X)

根据文档，BallTree 算法应该接受用户定义的指标。如果我按照此处给出的方式运行此代码，则会出现以下错误：

TypeError: __init__() takes exactly 1 positional argument (0 given) 

错误似乎来自：

sklearn.neighbors.dist_metrics.PyFuncDistance.__init__

我不明白这个。如果我检查上面代码中的“dt”给我什么，我就会得到我所期望的。dt.pairwise(X) 返回正确的值。我究竟做错了什么？

提前致谢。

Answer 1

解决方案是

kernelModel=KernelDensity(...,metric='pyfunc',metric_params={"func":myDistance})

不需要调用 Distancemetric.get_metric。米