SVM参数详解（最新文档）.pdfVIP

SVM参参数数详详解解

svm参数说明

如果你要输出类的概率，⼀定要有-b参数

svm-traintraining_set_filemodel_file

svm-predicttest_filemodel_fileoutput_file

⾃动脚本：pythoneasy.pytrain_datatest_data

⾃动选择最优参数，⾃动进⾏⼀化。

对训练集合和测试结合，使⽤同⼀个⼀化参数。

-c：参数

-g:参数

-v：交叉验证数

-ssvm_type:settypeofSVM(default0)

0---SV

1--nu-SV

2--one-classSVM

3--epsilon-SVR

4--nu-SVR

-tkernel_type:settypeofkernelfunction(default2)

0--linear:u*v

1--polynomial:(gamma*u*v+coef0)^degree

2--radialbasisfunction:exp(-gamma*|u-v|^2)

3--sigmoid:tanh(gamma*u*v+coef0)

-ddegree:setdegreeinkernelfunction(default3)

-ggamma:setgammainkernelfunction(default1/num_features)

-rcoef0:setcoef0inkernelfunction(default0)

-ccost:settheparameterof-SV,epsilon-SVR,andnu-SVR(default1)

-nnu:settheparameternuofnu-SV,one-classSVM,andnu-SVR(default0.5)

-pepsilon:settheepsiloninlossfunctionofepsilon-SVR(default0.1)

-mcachesize:setcachememorysizeinMB(default100)

-eepsilon:settoleranceofterminationcriterion(default0.001)

-hshrinking:whethertousetheshrinkingheuristics,0or1(default1)

-bprobability_estimates:whethertotrainaSVorSVRmodelforprobabilityestimates,0or1(default0)（如果需

要估计分到每个类的概率，则需要设置这个）

-wiweight:settheparameterofclassitoweight*,for-SV(default1)

Thekinthe-goptionmeansthenumberofattributesintheinputdata.

libsvm使⽤误区

(1)直接将训练集合和测试集合简单⼀化到[0,1]区间，可能导致实验结果很差。

(2)如果样本的特征数⾮常多，那么就不必使⽤RBF核将样本映射到⾼维空间。

a)在特征数⾮常多的情况下，使⽤线性核，结果已经⾮常好，并且只需要选择参数即可。

b)虽然说RBF核的结果⾄少⽐线性核好，前提下搜索整个的空间。

(3)样本数特征数的情况：

a)推荐使⽤线性核，可以达到与RBF同样的性能。

(4)样本数和特征数都⾮常多：推荐使⽤liblinear，更少的时间和内存，可⽐的准确率。

(5)样本数特征数：如果想使⽤线性模型，可以使⽤liblinear，并且使⽤-s2参数

libsvm在训练model的时候，有如下参数要