支持向量机参数设置详解

程序中SVM的参数：TestSVM_Parameter.svm_type=C_SVC;TestSVM_Parameter.kernel_type=RBF;TestSVM_Parameter.degree=3.0;TestSVM_Parameter.coef0=1;TestSVM_Parameter.gamma=1;TestSVM_Parameter.cache_size=40;TestSVM_Parameter.eps=0.01;TestSVM_Parameter.C=1.0;TestSVM_Parameter.shrinking=1;TestSVM_Parameter.nr_weight=0;TestSVM_Parameter.weight=NULL;TestSVM_Parameter.weight_label=NULL;SVM参数含义：intsvm_type：SVM问题类型：0：C_SVC:多类别识别问题，求解问题,,minbwξ112ltiiCww1：NU_SVC：多类别识别问题，求解问题,,,minbwξ1112ltiilww2：ONE_CLASS：两类别识别问题，求解问题,,,minbwξ1112ltiilww3：EPSILON_SVR：回归分析，求解问题*,,,minbwξξ*1112lltiiiiCCww4：NU_SVR：回归分析，求解问题*,,,,minbwξξ*112ltiiiCwwintkernel_type：核函数类型：0：LINEAR，线性，,tKxyxy1：POLY，多项式，,dtKCxyxy2：RBF，径向基函数，2,expKxyxy3：SIGMOID，Sigmoid函数，,tanhtKCxyxydoubledegree：多项式核函数参数doublegamma：多项式、径向基函数和Sigmoid函数的参数doublecoef0：多项式和Sigmoid函数的参数doublecache_size：缓存大小（MB）（标准值40）；doubleeps：算法终止条件，类似于收敛精度，越小精度越高（标准值0.001）；doubleC：C_SVC，EPSILON_SVR中的对于误分类样本的惩罚性因子C，越大惩罚性越强，相当于对数据的信心越大，数据噪声比较小，（可设为1或1000）；doublenu：NU_SVC，ONE_CLASS和NU_SVR中的，对误分类样本的另一种解决方案，是支持向量占总样本比例的下界，和样本处在分类界面两侧一个小邻域内数目占总样本数比例的上界（邻域大小或称管道半径为隐含参数）。（标准值0.5）；doublep：EPSILON_SVR中的，回归误差的上限，误差小于此值不惩罚，大于此值惩罚，实际上相当于期望的回归精度（标准值0.1）；intshrinking：是否使用shrinking策略，0—不使用，1—使用（标准值1）；intnr_weight：C_SVC中需使用不同惩罚性因子的类别数；（一般可不用，设为0，每个类别的惩罚因子均为C）int*weight_label：需使用特殊惩罚性因子的类别标号，weight_label[nr_weight]；double*weight：各类别惩罚性因子的系数，第i个类别的惩罚因子为weight(i)*C，没有可设为NULL，weight[nr_weight]；