我试图使用用户定义的内核。 我知道我R.使用的数据包括垃圾邮件包kernlab该kernlab提供用户自定义内核（定制内核函数）。 （变量数= 57多个示例= 4061）
我定义内核的形式，
kp=function(d,e){
as=v*d
bs=v*e
cs=as-bs
cs=as.matrix(cs)
exp(-(norm(cs,"F")^2)/2)
}
class(kp)="kernel"
它是高斯内核，其中内核转化v是连续地变化的值是关于每个变量，例如标准偏差矢量的逆：
v=(0.1666667,........0.1666667)
训练集定义的垃圾数据（保留不同类别的比例）的60％。
如果数据的类型是垃圾邮件，比数据的类型= 1列车SVM
m=ksvm(xtrain,ytrain,type="C-svc",kernel=kp,C=10)
但是，这一步是行不通的。 它总是等待响应。
于是，我问你这个问题，为什么呢？ 难道是因为应用的数量太大了？ 是否有任何其它的R包，可以训练为用户自定义内核支持向量机？
首先，你的内核看起来像一个典型的RBF内核，与v = 1/sigma ，那么为什么要使用它？ 您可以使用内置的RBF内核和简单地设置sigma参数。 特别是 - 而不是用在矩阵Frobenius范，你可以在量化矩阵使用经典的欧式。
第二 - 这是工作就好了。
> xtrain = as.matrix( c(1,2,3,4) )
> ytrain = as.factor( c(0,0,1,1) )
> v= 0.01
> m=ksvm(xtrain,ytrain,type="C-svc",kernel=kp,C=10)
> m
Support Vector Machine object of class "ksvm"
SV type: C-svc (classification)
parameter : cost C = 10
Number of Support Vectors : 4
Objective Function Value : -39.952
Training error : 0
至少有两个原因，你还在等待结果：
C ） 由于我不知道，是否ksvm实际上优化了用户自定义内核计算（其实我敢肯定它不会 ），你可以尝试建立内核矩阵（ K[i,j] = K(x_i,x_j)其中x_i是i'th训练向量），并提供ksvm它。 你可以做到这一点
K <- kernelMatrix(kp,xtrain)
m <- ksvm(K,ytrain,type="C-svc",kernel='matrix',C=10)
预先计算内核矩阵可以说是相当漫长的过程，但随后的优化本身会快很多，所以这是一个很好的方法，如果你想测试许多不同的C值（你肯定应该做的）。 不幸的是，这需要O(n^2)内存，因此，如果您使用100多个000载体，则需要的RAM真正伟大的量。
