我正在尝试将SVM与Weka框架一起使用。所以我正在使用Libsvm。我是SVM的新手，阅读Libsvm网站上的指南，我读过可以使用GridSearch发现SVM（成本和gamma）的最佳参数。所以我在Weka上选择网格搜索，我得到了一个糟糕的分类结果（TN率约为1％）。那么我该如何解释这些结果呢？如果使用最佳参数我得到了不好的结果是我没有机会获得更好的分类？我的意思是：网格搜索给了我使用SVM可以获得的最佳结果？
我的数据集由1124个实例组成（89％为负类，11％为正类），共有31个属性（其中2个为名义其他为数字）。我在整个数据集上使用交叉验证（10倍）来测试模型。 我尝试使用GridSearch（我将0和1之间的每个属性值标准化，没有特征选择，但我将类值从0和1更改为1，并且-1更改为SVM理论但是T不知道它是否有用）这些参数：成本从1到18，步长为1.0，伽玛从-5到10，步长为1.0。结果是敏感性为93.6％，特异性为64.8％，但这些需要大约1小时才能完成计算!!
与决策树相比，我希望得到更好的结果。使用特征选择（信息增益排名）+ SMOTE过采样+成本敏感学习我获得灵敏度91％和特异性80％。有没有办法调整SVM而不尝试成本和伽玛的每个可能的值范围？