Select libsvm-linear kernel 的优化参数

Question

我将 RBF 内核用于 ML 和 libsvm。我正在研究为我的数据集探索其他内核。

有多个参数可以针对特定内核进行优化。 C and g 参数用于网格搜索以选择 Cost 和 gamma 的最佳组合。

-d degree : set degree in kernel function (default 3)
-g gamma : set gamma in kernel function (default 1/num_features)
-r coef0 : set coef0 in kernel function (default 0)
-c cost : set the parameter C of C-SVC, epsilon-SVR, and nu-SVR (default 1)
-n nu : set the parameter nu of nu-SVC, one-class SVM, and nu-SVR (default 0.5)
-p epsilon : set the epsilon in loss function of epsilon-SVR (default 0.1)
-m cachesize : set cache memory size in MB (default 100)
-e epsilon : set tolerance of termination criterion (default 0.001)
-h shrinking : whether to use the shrinking heuristics, 0 or 1 (default 1)
-b probability_estimates : whether to train a SVC or SVR model for probability estimates, 0 or 1 (default 0)
-wi weight : set the parameter C of class i to weight*C, for C-SVC (default 1)

我想知道每个内核的相关参数。由于有多个参数可供选择。例如：C and g 用于 RBF 内核。还提供网格大小和参数范围例如：10^-3 to 10^11 for C and 10^3 to 10^-13 for g

我的 RBF 内核 perl 网格生成器：

    for ( $i = -3; $i <= 11; $i += 1 ) {

    for ( $j = 3; $j >= -13; $j += -1 ) {

        my $a = 2**$i;
        my $b = 2**$j;

        $output = "svm-train -c $a -g $b -v 5 $ARGV[0]";

        print  "$output >& ${ARGV[0]}_${a}_${b}.out \n";

    }
}

Answer 1

libsvm 支持四种内核：linear、poly、rbf 和 sigmoid（实际上不是有效内核）。

线性：无参数
poly: gamma (>0, float), coef0 (float), degree (>1, int)
rbf：伽马（>0，浮点数）
sigmoid: gamma (>0, float), coef0 (float)

您无法真正提供通用参数网格，因为它们依赖于数据。

C是一个SVM参数，因此需要一直拟合。其余参数不是特定于内核的，您不必担心它们。

Select libsvm-linear kernel 的优化参数

Select optimized parameters for libsvm-linear kernel

machine-learning

svm

libsvm