LIBSVM学习（五）grid.py参数选择

最新推荐文章于 2023-08-18 20:01:50 发布

繁拾简忆

最新推荐文章于 2023-08-18 20:01:50 发布

阅读量1.1w

点赞数 5

分类专栏： LIBSVM 文章标签： LIBSVM grid-py 参数优选 grid-searc

本文链接：https://blog.csdn.net/u014772862/article/details/51829727

版权

本文介绍了如何使用LIBSVM工具包中的grid.py进行参数选择，包括参数选择原则、grid.py的使用方法及实例演示。通过grid search自动化参数优化，寻找最优的C和γ参数，以提高SVM模型的性能。文章还强调了在选择参数时避免过拟合的重要性，并提供了修改gnuplot路径的指南。

摘要由CSDN通过智能技术生成

在libsvm 工具包中，作者很友好的将参数优选自动化，再也不需要手动调参了，下面讲解一下大概的使用以及参数选择原则。

使用grid.py需要安装python 和gnuplot两个软件，具体安装方法详见：
http://blog.csdn.net/u014772862/article/details/51828967
在这篇文章中给出了这两个软件的下载地址。
安装成功之后修改环境变量，将python 安装目录添加到计算机的环境变量path下。

1. 参数选择原则

在训练svm时， Chih-Jen Lin 提供了一个自动化参数选优的方式—grid search（由C和r组成），对每一个参数，使用libsvm得到一个cross-validation（CV）准确率，最优参数就是准确率最高时采用的参数。该方法常用在RBF核函数参数优选中。
以下内容摘自《MATLAB 神经网络30个案例分析》第13章：

“关于SVM参数的优化选取，国际上并没有公认统一的最好的方法，现在目前常用的方法就是让c和g在一定的范围内取值，对于取定的c和g对于把训练集作为原始数据集利用K-CV方法得到在此组c和g下训练集验证分类准确率，最终取使得训练集验证分类准确率最高的那组c和g做为最佳的参数，但有一个问题就是可能会有多组的c和g对应于最高的验证分类准确率，这种情况怎么处理?这里采用的手段是选取能够达到最高验证分类准确率中参数c最小的那组c和g做为最佳的参数，如果对应最小的c有多组g，就选取搜索到的第一组c和g做为最佳的参数。这样做的理由是:过高的c会导