RBF 内核的最佳西格玛？
Optimal sigma for the RBF kernel?
如何为 RBF 核选择最佳的 sigma？
我正在使用单个 class 的 class 转换器，
以什么为基础，采用什么参数
取决于您使用的是哪种机器学习平台。
如果您使用的是 Weka，则有一个可用的 "grid search" 选项可以吐出最佳分类参数。 （即对于线性内核，它给你成本函数，对于 RBF-SVM，它给出 sigma/gamma 和 C 等）
http://scikit-learn.org/stable/auto_examples/svm/plot_rbf_parameters.html
如果您使用的是 Python，我通常会以较小的步长迭代 sigma 值，并在每一步中确保乳头分类准确度。然后我选择导致最佳准确度的西格玛。
另请注意，如果您针对给定的分类任务优化 SVM 参数，您 运行 会面临过度拟合的风险。但是，迭代步骤更改应该可以让您更好地了解发生过度拟合的位置（如果有的话！）。
祝你好运！
我建议您使用某种 Grid-Search。这是一种同时评估两个参数性能的技术。对于您的 SVM，有 sigma 和 C。因此，您对参数 space 执行详尽搜索，其中每个轴代表一个参数，其中的一个点是两个参数值 (C_i, sigma_i).
的元组
因此，要执行它，您只需为 C：{C_1,..., C_n} 和 sigma：{sigma_1,..., sigma_n} 选择一个集合，然后训练并随后对每一对进行测试两组中的参数 (C_i, sigma_i)。
这实际上需要相当长的时间，所以我建议您尝试类似的方法：
LibSVM for example offers K-Fold Cross-Validation，所以画一组sigma值，定义一个固定的K（可能5到10）和运行交叉验证得到一个好的C 的估计。记录 C 参数和准确度分数。将此应用于 sigma 值集的所有元素后，选择在每个交叉验证过程中达到最高精度的参数对。
注：
我建议你不要用 SVM 来解决 one-class 的问题。即使有正式定义，基本 SVM 算法也需要两个 class 来确定最佳边界。因此，我建议您创建一个 catch-all class 并将您的一个 class 问题转换为两个 class 问题。
如何为 RBF 核选择最佳的 sigma？
我正在使用单个 class 的 class 转换器， 以什么为基础，采用什么参数
取决于您使用的是哪种机器学习平台。 如果您使用的是 Weka，则有一个可用的 "grid search" 选项可以吐出最佳分类参数。 （即对于线性内核，它给你成本函数，对于 RBF-SVM，它给出 sigma/gamma 和 C 等）
http://scikit-learn.org/stable/auto_examples/svm/plot_rbf_parameters.html
如果您使用的是 Python，我通常会以较小的步长迭代 sigma 值，并在每一步中确保乳头分类准确度。然后我选择导致最佳准确度的西格玛。 另请注意，如果您针对给定的分类任务优化 SVM 参数，您 运行 会面临过度拟合的风险。但是，迭代步骤更改应该可以让您更好地了解发生过度拟合的位置（如果有的话！）。
祝你好运！
我建议您使用某种 Grid-Search。这是一种同时评估两个参数性能的技术。对于您的 SVM，有 sigma 和 C。因此，您对参数 space 执行详尽搜索，其中每个轴代表一个参数，其中的一个点是两个参数值 (C_i, sigma_i).
因此，要执行它，您只需为 C：{C_1,..., C_n} 和 sigma：{sigma_1,..., sigma_n} 选择一个集合，然后训练并随后对每一对进行测试两组中的参数 (C_i, sigma_i)。
这实际上需要相当长的时间，所以我建议您尝试类似的方法：
LibSVM for example offers K-Fold Cross-Validation，所以画一组sigma值，定义一个固定的K（可能5到10）和运行交叉验证得到一个好的C 的估计。记录 C 参数和准确度分数。将此应用于 sigma 值集的所有元素后，选择在每个交叉验证过程中达到最高精度的参数对。
注：
我建议你不要用 SVM 来解决 one-class 的问题。即使有正式定义，基本 SVM 算法也需要两个 class 来确定最佳边界。因此，我建议您创建一个 catch-all class 并将您的一个 class 问题转换为两个 class 问题。