Sklearn SVC自定义RBF核运行报维度不匹配错误如何修复

错误根源 #

你遇到的报错和X_train、X_test的维度差异无关，问题出在两个地方：

• 自定义RBF核函数的实现不符合sklearn的核函数规范，混淆了样本维度和特征维度
• 标签y_train的形状不符合SVC的输入要求（SVC不接受onehot编码的二维标签）

具体修复步骤 #

1. 修正RBF核函数实现 #

sklearn要求自定义核函数的输入为x（形状(n_samples_x, n_features)）和y（形状(n_samples_y, n_features)），输出为形状(n_samples_x, n_samples_y)的核矩阵。原代码错误将输入数组整体展平，导致核矩阵维度完全不符合要求，同时距离计算逻辑和标准RBF核不符。
修正后的核函数代码：

def rbf_kernel(x, y, gamma):
    # 按特征维度计算样本间的欧氏距离平方
    squared_dis = np.sum((x[:, np.newaxis] - y[np.newaxis, :]) ** 2, axis=-1)
    # 标准RBF核公式：exp(-gamma * 距离平方)
    return np.exp(-gamma * squared_dis)

2. 修正标签格式 #

你提供的y_train形状为(396, 10)，属于onehot编码格式，SVC不支持该输入，需要转换为一维整数标签：

# 仅当标签为onehot编码时执行
y_train = np.argmax(y_train, axis=1)
y_test = np.argmax(y_test, axis=1)

3. 优化核函数传参逻辑 #

使用functools.partial固定gamma参数，比lambda写法更稳定：

from functools import partial

# 替换你代码中的lambda写法
custom_rbf = partial(rbf_kernel, gamma=gamma)

完整可运行测试代码 #

import numpy as np
from sklearn.svm import SVC
from functools import partial

# 修正后的自定义RBF核
def rbf_kernel(x, y, gamma):
    squared_dis = np.sum((x[:, np.newaxis] - y[np.newaxis, :]) ** 2, axis=-1)
    return np.exp(-gamma * squared_dis)

# 标签修正（按需执行）
y_train = np.argmax(y_train, axis=1)
y_test = np.argmax(y_test, axis=1)

# 固定gamma参数
custom_rbf = partial(rbf_kernel, gamma=gamma)

def eval_kernel(kernel):
    model = SVC(kernel=kernel, C=C, gamma=gamma)
    model.fit(X_train, y_train)
    X_test_predict = model.predict(X_test)
    acc = (X_test_predict == y_test).sum() / y_test.shape[0]
    return acc

# 测试效果对齐
for k1, k2 in [('rbf', custom_rbf)]:
    acc1 = eval_kernel(k1)
    acc2 = eval_kernel(k2)
    assert(abs(acc1 - acc2) < eps)

内容的提问来源于stack exchange，提问作者Jeong