使用支持向量机的RBF内核时有两个参数：C和γ。事先不知道哪个C和γ对于一个问题是最好的;因此必须进行某种模型选择（参数搜索）。目标是识别好（C;γ），以便分类器可以准确地预测未知数据（即，测试数据）。
weka.classifiers.meta.GridSearch是用于调整一对参数的元分类器。但是，似乎需要很长时间才能完成（当数据集相当大时）。为了减少完成这项任务所需的时间，你有什么建议？
根据A User's Guide to Support Vector Machines：
C：软边际常数。较小的C值允许忽略靠近边界的点，并增加边距。
γ＆GT; 0是控制高斯
宽度的参数答案 0 :(得分：3)
Hastie等人的SVMPath探讨了C的整个正则化路径，并且仅需要与训练单个SVM模型相同的计算成本。从他们的论文：
我们的R函数SvmPath计算混合示例中的所有632个步骤（n + = n- = 100，径向内核，γ= 1）在奔腾4,2Ghz linux机器上1.44（0.02）秒; svm 函数（使用优化代码libsvm，来自R库e1071）需要9.28（0.06） 在路径上的10个点处计算解决方案的秒数。因此需要我们的程序 计算整个路径的时间比计算典型的libsvm高出约50％ 单一解决方案
他们在R中发布了一个GPLed算法实现，您可以从CRAN here下载。
使用SVMPath可以让您快速找到任何给定γ的良好C值。但是，您仍然需要针对不同的γ值进行单独的训练。但是，对于每对C：γ值进行单独运行，这应该快得多。