LIBSVM学习(五)grid.py参数选择

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

评论 5
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值