我目前正在尝试在此处运行 LibSVM ：https://www.csie.ntu.edu.tw/~cjlin/libsvm
我只能访问MATLAB 2011b。当我尝试使用不同的 LibSVM 和 C 值运行gamma包中包含的示例数据文件（heartscale）时获得相同的准确度结果。
这也适用于其他数据集。
我构建了一个 for 循环，并循环显示不同的C和gamma值，并且精度％不会改变。
我这样做是为了找到最好的C和gamma用于数据集（交叉验证），如文档“支持向量分类的实用指南”所示。上面的网站。
当我查看下面构建的accuracy_mat时，值都是相同的。甚至svmpredict的输出都是相同的。
我已多次阅读文档并查看了网站上的常见问题解答，并希望从SVM从业者那里获得相关信息。
[heart_scale_label, heart_scale_inst] = libsvmread( 'heartscale' );
C = { '2^-5','2^-3','2^-1'};
g = {'2^-15','2^-3','2^-1'};
accuracy_mat = zeros( length( g ), length( c ) );
data_num = length( heart_scale_inst(:,1) );
t = zeros( data_num, 1 );
for i = 1:length( g )
for j = 1:length( C )
c_train_inputs = ['-c ', C{j}];
g_train_inputs = ['-g ', g{i}];
c_and_g_inputs = [c_train_inputs, g_train_inputs];
model = svmtrain( heart_scale_label, ...
heart_scale_inst, ...
[c_and_g_inputs, '-b 1'] ...
);
[predict_label, ...
accuracy, ...
prob_estimates] = svmpredict( heart_scale_label, ...
heart_scale_inst, ...
model, ...
'-b 1' ...
);
accuracy_mat(i,j) = max( accuracy );
end
end
答案 0 :(得分：0)
[C,gamma]超参数的初始范围将您锁定在角落支持向量方法是非常强大的引擎。
尽管如此，人们可能仍然会通过糟糕的数据清理（正规化，NaN移除等）或通过发送命令来使用角落案例超参数C来破坏其强大的预测能力。 gamma。
在SVM / SVC引擎投入努力工作之前，如果计划运行强力超参数空间搜索（GridSearchCV等），其中CPU / GPU可能很容易花费更多比起数百小时，一个简单的经验法则应该用于搜索空间的预验证。
Andreas Mueller has put that nicely通过“经验法则”首次扫描SVM rbf（虽然预扫描的想法一般有效，但不仅适用于rbf模型） “价值范围：
{'C': np.logspace(-3, 2, 6), 'gamma': np.logspace(-3, 2, 6)}
即。除非你非常确定（或被某些无法限制的禁止）
仅使用[ C, gamma ] - 搜索空间中预设的超低学习参数化值，您可以放宽范围，以便SVM学习者可以进一步远离已被锁定的观察角落的其他结果到目前为止。
C = { 0.001, 0.01, 0.1, 1.0, 10.0, 100.0 }
g = { 0.001, 0.01, 0.1, 1.0, 10.0, 100.0 }
如果你没有看到SVM学习者结果在这个超级参数的沙盒预测试环境中有任何演变，那么根本原因将隐藏在DataSET中（似乎不是在您发布观察结果的情况下，同样的问题出现在审查中的一个特定DataSET上。）
Nota bene：还可能会测试有关受过训练的模型的描述性统计值：
model_predictions_accuracy_mean(i,j) = mean( accuracy );
model_predictions_accuracy_var( i,j) = var( accuracy );
accuracy_mat( i,j) = max( accuracy ); %% MAX masks
%% quality-of-fit
%% & may "look" same
%% for the whole range