我使用基于 RBF 内核的支持向量机回归训练了一个模型。我想知道对基于 RBF 内核的支持向量机非常重要或主要贡献的功能。我知道有一种方法可以了解基于向量大小的权重向量对线性支持向量回归最有贡献的特征。然而，对于基于 RBF 核的支持向量机，由于特征被转换到一个新的空间，我不知道如何提取最有贡献的特征。我在 python 中使用 scikit-learn。有没有办法在基于 RBF 核的支持向量回归或非线性支持向量回归中提取最有贡献的特征？
from sklearn import svm
svm = svm.SVC(gamma=0.001, C=100., kernel = 'linear')
在这种情况下： 在 sklearn 中为 SVM 分类器确定最有贡献的特征效果很好。但是，如果将内核更改为
from sklearn import svm
svm = svm.SVC(gamma=0.001, C=100., kernel = 'rbf')
上面的答案不起作用。