libsvm学习笔记-参数设置

【原创文章 禁止私自转载 谢谢】

SVM的主要思想是建立一个超平面作为决策曲面，使得正例和反例之间的距离边缘被最大化（其实，SVC与SVR在一定意义上，思想是完全统一的，都是最大化间隔，使得各自的损失函数值最小）

SVM相对于目前相对较火的人工神经网络来讲，具有一定的优点，其中最为重要的是SVM获得模型理论上是全局最优的。而且，支持向量机复杂度与样本特征维度无关。

下面，简单记录一下学习使用libsvm过程中的第一步，了解各个参数的意义：

-s 选择SVM的类型

-t 核函数类型

-d degree：     核函数中的degree设置(针对多项式核函数)(默认3)

-g r(gama)：    核函数中的gamma函数设置(针对多项式/rbf/sigmoid核函数)(默认1/ k)

-r coef0：        核函数中的coef0设置(针对多项式/sigmoid核函数)((默认0)

-c cost：          设置C-SVC，e -SVR和v-SVR的参数(损失函数)(默认1) 一般可以选择10^t, t=-4, -3,…, 3, 4, 惩罚

过大容易造成过拟合

-n nu：            设置v-SVC，一类SVM和v- SVR的参数(默认0.5)

-p p：              设置e -SVR 中损失函数p的值(默认0.1)

-m cachesize： 设置cache内存大小，以MB为单位(默认40)

-e eps：           设置允许的终止判据(默认0.001)

-h shrinking：  是否使用启发式，0或1(默认1)

-wi weight：    设置第几类的参数C为weight*C(C-SVC中的C)(默认1)

-v n:                 n-fold交叉检验模式，n为fold的个数，必须大于等于2

基本上的参数都列在上边了，也是汇总了大量的网络资料，还有libsvm自带的readme,推荐大家经常去看一下林老师的网站http://www.csie.ntu.edu.tw/~cjlin/libsvm/ ；上边的小工具会减少我们进行实验时的代码量，而且能够提供很多实验思路。

这篇博文纯粹是解释参数，汇总整理成表格方便阅读理解一些，不涉及原理性的东西。

有不对的地方欢迎大家指正。