SVMtrain的参数c和g的优化

SVMtrain的参数c和g的优化

在svm训练过程中，需要对惩罚参数c和核函数的参数g进行优化，选取最好的参数

知道测试集标签的情况下

是让两个参数c和g在某一范围内取离散值，然后，取测试集分类准确率最佳的参数

不知道测试集标签的情况下

（1）利用交叉验证的方法：(k-fold cross validation)

1. Start 
   

   ---

2. bestAccuracy = 0 
   

   ---

3. bestc = 0 
   

   ---

4. bestg = 0 
   

   ---

5. ---

6. //n1 , n2 ,k都是事先给定的值 
   

   ---

7. for c = 2^(-n1) : 2^(n1) 
   

   ---

8. for g = 2^(-n2) : 2^(n2) 
   

   ---

9. 将训练集平均分为k部分，设为 
   

   ---

10. train(1),train(2), ... ,train(k). 
    

    ---

11. 分别让每一部分作为测试集进行预测（剩下的k-1部分作为训练集对分类器进行训练）取得最后得到的所有分类的准确率的平均数，设为cv 
    

    ---

12. if（cv>bestAccuracy) 
    

    ---

13. bestAccuracy = cv; bestc = c; bestg = g 
    

    ---

14. end 
    

    ---

15. end 
    

    ---

16. end 
    

    ---

17. over 
    

    ---

（2）leave-one-out cross validation(loo交叉验证)

设原始数据有N个样本，那么LOO-CVj就是N-CV,即每一个样本作为验证集，其余的N-1个样本作为训练集，所以在LOO-CV下会得到N个模型，用N个模型的最终验证集的分类准确率的平均数做为在LOO-CV下分类器的性能指标

**　但是LOO-cv计算量太大，每个样本都要建立一个模型，计算成本太大

当计算出所有的c和g时，这时候这些c和g有可能会出现的是：某些成对出现的c和g验证准确率一样高，这时候选择的是惩罚参数最小的c和g，认为c小的那个对象是最佳的选择

伪代码如下

bestAccuracy = 0

bestc = 0

bestg = 0

//将c和g划分为网格进行搜索

for c = 2 ^(cmin):2(cmax)

for c = 2 ^(gmin):2(gmax)

%%采用K-CV方法

将train大致分为K组，记为train(1)train(2)…train(k)

相应的标签也要分离出来记为train_label(1),train_label(2)…train_label(k)

for run = 1:k

让train（run），作为验证集，其他的作为训练集，记录此时的验证准确率为acc（run）

end

cv = (acc(1)+acc(2)+…acc(k))/k

if (cv>bestAccuracy)

bestAccury = cv;bestc=c;bestg=g;

end

end

end

over