machine-learning - 为 libsvm-线性 内核选择优化参数

Question

我使用 RBF 内核通过 libsvm 进行机器学习。我正在考虑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优化每个参数。 C 和 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:RBF 内核的 C 和 g。还提供网格大小和参数范围，例如:C 为 10^-3 到 10^11，g 为 10^3 到 10^-13

我的 RBF 内核的 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:线性、poly、rbf 和 sigmoid(实际上不是有效的内核)。

• 线性:无参数
• poly: gamma (>0, float), coef0 (float), Degree (>1, int)
• rbf: Gamma (>0， float )
• 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，因此需要始终对其进行拟合。其余参数不是特定于内核的，您不必担心它们。