LIBSVM高级进阶

SVM怎样才能得到较好的结果

1）对数据归一化处理（simple scale）

2）应用RBF kernel

3）用交叉验证（cross-validation）和grid-search得到最优的C和g

采用交叉验证选择最佳参数C和g：不同的参数（最常用的是C和g）条件下训练出不同的SVM。

4）训练数据并预测

参见“LIBSVM入门解读”篇libsvm工具使用说明部分。

libsvm可以实现基于SVM的分类和回归

（分类与回归大致一样，重点只说明参数寻优过程不同的地方）

1、分类

在分类过程中主要是用tools文件夹下grid.py来选取SVM最好的参数。

grid.py是一种用于RBF核函数的C-SVM分类的参数选择程序。用户只需给定参数的一个范围，grid.py采用交叉验证的方法计算每种参数组合的准确度来找到最好的参数。

Usage: grid.py [-log2c begin,end,step] [-log2g begin,end,step] [-v fold]

       [-svmtrain pathname] [-gnuplot pathname] [-out pathname] [-png pathname]

       [additional parameters for svm-train] dataset

The program conducts v-fold cross validation using parameter C (and gamma)= 2^begin, 2^(begin+step), ..., 2^end.

示例：

python grid.py -log2c -10,10,1 -log2g 10,-10,-1 trainset.txt

2、回归

用gridregression.py来搜索最优参数C和g

示例：

python.exe gridregression.py -svmtrain H:\SVM\libsvm-2.81\windows\svmtrain.exe -gnuplot C:\gp373w32\pgnuplot.exe -log2c -10,