【libsvm参数说明】在使用LIBSVM（一种广泛使用的支持向量机工具包）进行分类或回归任务时，理解其关键参数对于模型性能的优化至关重要。以下是对LIBSVM主要参数的总结，并以表格形式呈现，帮助用户快速掌握其功能和使用方法。
一、参数说明
1. -s：设置分类或回归类型
- `0`：C-SVC（多类分类）
- `1`：nu-SVC（多类分类）
- `2`：one-class SVM（单类分类）
- `3`：epsilon-SVR（回归）
- `4`：nu-SVR（回归）
2. -t：核函数类型
- `0`：线性核（Linear）
- `1`：多项式核（Polynomial）
- `2`：径向基函数核（RBF）
- `3`：Sigmoid核
- `4`：自定义核（需提供内核矩阵）
3. -d：多项式核的次数（仅当 `-t=1` 时有效）
- 默认值为 `3`
4. -g：RBF 核的 gamma 值（仅当 `-t=2` 时有效）
- 默认值为 `1/特征数`
5. -r：多项式核或Sigmoid核的常数项（仅当 `-t=1` 或 `-t=3` 时有效）
- 默认值为 `0`
6. -c：C 参数（用于 C-SVC、epsilon-SVR、nu-SVR）
- 控制正则化强度，值越大越倾向于正确分类，但可能过拟合
- 默认值为 `1`
7. -n：nu 参数（用于 nu-SVC、nu-SVR）
- 在 `nu-SVC` 中，表示支持向量的比例上限
- 在 `nu-SVR` 中，表示误差容忍度的下限
- 取值范围 `[0,1]`
8. -p：epsilon 参数（用于 epsilon-SVR）
- 定义不惩罚的误差范围
- 默认值为 `0.1`
9. -m：缓存大小（内存限制）
- 单位为 MB，影响训练速度和内存占用
- 默认值为 `40`
10. -e：停止条件（精度）
- 用于控制迭代终止的精度
- 默认值为 `0.001`
11. -h：是否对数据进行标准化处理
- `1` 表示启用，`0` 表示禁用
- 默认为 `0`
12. -b：是否输出概率估计
- `1` 表示启用，`0` 表示禁用
- 默认为 `0`
13. -wi：类别权重（用于多类分类）
- 指定不同类别的权重，格式为 `class_id:weight`
- 适用于 C-SVC 和 nu-SVC
二、常用参数表格
| 参数 | 说明 | 默认值 | 备注 |
| -s | 分类/回归类型 | 0 | 0:C-SVC, 1:nu-SVC, 2:One-Class, 3:epsilon-SVR, 4:nu-SVR |
| -t | 核函数类型 | 0 | 0:Linear, 1:Poly, 2:RBF, 3:Sigmoid, 4:Custom |
| -d | 多项式核次数 | 3 | 仅当 -t=1 时有效 |
| -g | RBF 核的 gamma | 1/特征数 | 仅当 -t=2 时有效 |
| -r | 多项式/Sigmoid 核的常数项 | 0 | 仅当 -t=1 或 -t=3 时有效 |
| -c | C 参数 | 1 | 用于 C-SVC、SVR 等 |
| -n | nu 参数 | 0.5 | 用于 nu-SVC、nu-SVR |
| -p | epsilon 参数 | 0.1 | 用于 epsilon-SVR |
| -m | 缓存大小 | 40 | 单位为 MB |
| -e | 迭代精度 | 0.001 | 控制收敛条件 |
| -h | 数据标准化 | 0 | 0:不标准化，1:标准化 |
| -b | 输出概率估计 | 0 | 0:不输出，1:输出 |
| -wi | 类别权重 | - | 可指定多个类别权重 |
三、使用建议
- 选择合适的核函数：RBF 核在大多数情况下表现良好，适合非线性问题；线性核适合高维数据。
- 调整 C 和 gamma：C 控制模型复杂度，gamma 控制 RBF 核的“宽度”，两者都需要通过交叉验证调优。
- 注意数据预处理：标准化数据可以提高模型性能，尤其是在使用 RBF 核时。
- 合理设置缓存大小：大文件建议增加缓存，避免内存不足。
通过合理配置这些参数，可以显著提升 LIBSVM 模型的准确性和泛化能力。