如何找出 libsvm 中的最佳 C/Gamma 参数？

Question

我正在使用 libsvm 对具有大量特征/属性（每个项目大约 5,800 个）的数据集进行多类分类。我想为 C 和 Gamma 选择比我目前使用的默认值更好的参数。

我已经尝试过运行 easy.py，但是对于我正在使用的数据集，估计时间几乎是永远的（在 20、50、100 和 200 个数据样本上运行 easy.py 并获得了超线性回归预测我必要的运行时间需要数年）。

有没有办法比默认值更快地获得更好的 C 和 Gamma 值？我正在使用 Java 库，如果这有什么不同的话。

Answer 1

我相信easy.py 可以在不使用网格搜索的情况下完成此操作。

查看 Trevor Hastie 等人的这篇论文：The Entire Regularization Path for the Support Vector Machine (PDF)。一次“SVM 运行”将一次性计算所有“C”值的损失，因此您可以了解它如何影响您的 SVM 性能。

他们有这个算法的实现，您可以通过svmpath 包在R 中使用它。

我相信算法的核心是用 fortran 写的，但是用 R 封装的。