【libsvm参数说明】在使用 LIBSVM 进行分类或回归任务时，理解其核心参数对于模型性能的优化至关重要。LIBSVM 是一个广泛使用的支持向量机（SVM）工具包，提供了多种参数以适应不同的数据集和任务需求。以下是对 LIBSVM 主要参数的总结与说明。
一、主要参数说明
| 参数 | 说明 | 默认值 | 可选值 |
| `-s` | 选择 SVM 的类型： 0：C-SVC（多类分类） 1：ν-SVC（多类分类） 2：One-class SVM 3：ε-SVR（回归） 4：ν-SVR（回归） | 0 | 0~4 |
| `-t` | 核函数类型： 0：线性核 1：多项式核 2：RBF 核 3：Sigmoid 核 | 2 | 0~3 |
| `-d` | 多项式核的阶数（仅当 `-t=1` 时有效） | 3 | 整数 |
| `-g` | RBF 或 Sigmoid 核的 γ 值（即 1/(2σ²)） | 0.5 | 正实数 |
| `-r` | 多项式或 Sigmoid 核的常数项（bias term） | 0 | 实数 |
| `-c` | C-SVC、ε-SVR 和 ν-SVR 中的惩罚系数 C | 1 | 正实数 |
| `-n` | ν-SVC 和 ν-SVR 中的 ν 值 | 0.5 | 0 < ν ≤ 1 |
| `-m` | 每次迭代中保留的内核缓存大小（单位 MB） | 40 | 正整数 |
| `-e` | 终止条件的精度（用于 SVR 或 SVC） | 0.001 | 正实数 |
| `-h` | 是否对数据进行缩放（0 表示不缩放，1 表示缩放） | 0 | 0 或 1 |
| `-b` | 是否输出概率估计（仅适用于 C-SVC 和 ν-SVC） | 0 | 0 或 1 |
二、参数使用建议
- 选择合适的核函数：对于线性可分的数据，使用 `-t 0`（线性核）通常更高效；对于非线性问题，`-t 2`（RBF 核）是常用的默认选择。
- 调整 C 值：`-c` 控制模型的复杂度，较大的 C 值会使得模型更关注训练样本，可能导致过拟合。
- 设置适当的 γ 值：`-g` 影响 RBF 核的宽度，较小的 γ 值会使模型更平滑，较大的 γ 值则更关注局部特征。
- 使用概率输出：若需要预测类别概率，可将 `-b` 设置为 `1`，但会增加计算时间。
- 数据预处理：使用 `-h 1` 对数据进行标准化处理，有助于提升模型稳定性。
三、总结
LIBSVM 提供了丰富的参数配置选项，合理设置这些参数可以显著提升模型的准确性和泛化能力。在实际应用中，建议结合交叉验证和网格搜索方法，寻找最优参数组合。同时，理解每个参数的实际意义及其对模型的影响，是掌握 LIBSVM 使用的关键。