【libsvm参数说明】在使用 LIBSVM 进行机器学习任务时，了解其主要参数对于模型的性能优化至关重要。LIBSVM 是一个广泛使用的支持向量机（SVM）工具包，支持多种核函数和分类、回归任务。以下是对 LIBSVM 主要参数的总结，并以表格形式展示。
一、常用参数说明
| 参数 | 说明 | 默认值 | 备注 |
| `-s` | 选择 SVM 类型 0：C-SVC（多类分类） 1：nu-SVC（多类分类） 2：one-class SVM（单类检测） 3：ε-SVR（回归） 4：ν-SVR（回归） | 0 | 根据任务类型选择 |
| `-t` | 核函数类型 0：线性核 1：多项式核 2：RBF 核 3：Sigmoid 核 4：自定义核 | 2 | RBF 核是默认且常用的 |
| `-d` | 多项式核的阶数（仅当 `-t=1` 时有效） | 3 | 增加阶数可能提升复杂度 |
| `-g` | RBF 核的 gamma 值（即 1/(2σ²)） | 0.5 | 控制模型的泛化能力 |
| `-r` | 多项式/ sigmoid 核的常数项（`b`） | 0 | 可调整以优化模型 |
| `-c` | C 参数（正则化参数） | 1 | 控制过拟合与欠拟合之间的平衡 |
| `-n` | ν 参数（用于 nu-SVC 和 ν-SVR） | 0.5 | 控制支持向量的数量 |
| `-m` | 每次迭代中保留的内存量（单位：MB） | 40 | 用于内存受限环境 |
| `-e` | 终止条件的精度（用于 SVR 或 SMO 算法） | 0.001 | 越小越精确但计算时间更长 |
| `-h` | 是否对数据进行缩放（0：不缩放；1：缩放） | 0 | 缩放有助于提高训练速度 |
| `-b` | 是否输出概率估计（0：不输出；1：输出） | 0 | 用于需要概率输出的任务 |
二、参数使用建议
- 分类任务：通常使用 `-s 0`（C-SVC）或 `-s 1`（nu-SVC），并选择 `-t 2`（RBF 核）作为默认配置。
- 回归任务：使用 `-s 3`（ε-SVR）或 `-s 4`（ν-SVR），同样推荐 `-t 2`。
- 参数调优：`-c` 和 `-g` 是最常调节的两个参数，可通过交叉验证来寻找最佳组合。
- 数据预处理：建议使用 `-h 1` 对数据进行标准化处理，以提高模型性能。
- 概率输出：若需要预测类别概率，应设置 `-b 1`，但会增加训练时间。
三、总结
LIBSVM 提供了丰富的参数选项，合理设置这些参数能够显著提升模型的准确性和稳定性。用户应根据具体任务类型选择合适的 SVM 类型和核函数，并通过实验调整关键参数如 `C`、`gamma` 和 `nu`，以达到最优效果。同时，数据预处理和参数调优是提升模型性能的重要环节。