LIBSVM (四) SVM 的参数优化（交叉验证）

　　CV是用来验证分类器性能的一种统计分析方法，其基本思想是在某种意义下将原始数据进行分组，一部分作为测试集，另一部分作为验证集；先用训练集对分类器进行训练，再利用验证集来测试训练得到的模型，以得到的分类准确率作为评价分类器的性能指标。常见的 CV 方法如下：

1.1 交叉验证(Cross Validation,CV)

　　伪代码：

Start 
    bestAccuracy = 0;
    bestc = 0;
    bestg = 0;
    % 其中n1,n2都是预先给定的数
    for c = 2^(-n1):2(n1)
        for g = 2^(-n2):2^(n2)
                将训练集平均分成 N 部分，设为
train（1），train（2），···，train（N）
                分别让每一个部分作为测试及进行预测（剩下的N-1部分作为训练集对训练集进行训练），取得最后
                得到的所有分类准确率的平均数，设为 cv.
                if(cv > bestAccuracy)
                    bestAccuracy = cv;bestc = c;bestg = g;
                end
            end
end
Over

 　　采用CV的方法，在没有测试标签的情况下可以找到一定意义下的最佳参数c和g。这里所说的“一定意义下”指的是此时最佳参数c和g是使得训练集在CV思想下能够达到最高分类准确率的参数，但不能保证会使得测试集也达到最高的分类准确率。用此方法对wine数据进行分类预测，MATLAB 实现代码如下：

%% 交叉验证
bestcv = 0;
bestc = 0;
bestg = 0;
for log2c = -5:5
    for log2g = -5:5
        cmd