【libsvm参数说明】在使用LIBSVM（Library for Support Vector Machines）进行机器学习任务时，正确理解并合理设置参数是提高模型性能的关键。LIBSVM提供了多种参数选项，涵盖了分类、回归、多类分类等多个场景。以下是对常用参数的总结与说明，并以表格形式呈现。
一、主要参数说明
| 参数 | 说明 | 类型 | 默认值 | 备注 |
| `-s` | 问题类型 | 整数 | - | 0: 分类；1: 回归；2: one-class SVM；3: 二分类概率估计 |
| `-t` | 核函数类型 | 整数 | 2 | 0: 线性；1: 多项式；2: RBF；3: sigmoid；4: 自定义核 |
| `-d` | 多项式核的度数 | 整数 | 3 | 仅当 `-t=1` 时有效 |
| `-g` | RBF核的 gamma 值 | 浮点数 | 0.5 | 仅当 `-t=2` 时有效 |
| `-r` | 多项式/sigmoid核的 coef0 | 浮点数 | 0 | 仅当 `-t=1` 或 `-t=3` 时有效 |
| `-c` | 惩罚系数 C | 浮点数 | 1 | 控制模型复杂度与误差之间的平衡 |
| `-n` | ν（仅用于 one-class SVM 和 ν-SVC） | 浮点数 | 0.5 | 控制支持向量的数量 |
| `-p` | epsilon（用于回归） | 浮点数 | 0.1 | 控制损失函数的容忍度 |
| `-m` | 缓存大小（MB） | 整数 | 40 | 决定内存使用量 |
| `-e` | 终止条件 | 浮点数 | 0.001 | 迭代停止的精度 |
| `-h` | 是否对数据进行缩放 | 整数 | 0 | 0: 不缩放；1: 缩放 |
| `-b` | 是否输出概率估计 | 整数 | 0 | 0: 不输出；1: 输出概率 |
二、常用参数组合示例
- 分类任务（默认参数）
`svm-train -s 0 -t 2 -c 1 -g 0.5 datafile`
- 回归任务
`svm-train -s 1 -t 2 -c 1 -g 0.5 -p 0.1 datafile`
- one-class SVM
`svm-train -s 2 -t 2 -n 0.5 datafile`
- 多类分类（使用一对一策略）
`svm-train -s 0 -t 2 -c 10 -g 0.1 -b 1 datafile`
三、参数选择建议
1. 核函数选择：对于线性可分问题，使用线性核（`-t 0`）即可；对于非线性问题，RBF核（`-t 2`）通常效果较好。
2. C 值调整：C 值越大，模型越倾向于拟合训练数据，容易过拟合；C 值小则更注重泛化能力。
3. gamma 值调整：RBF核中，gamma 值越大，模型越敏感于邻近样本，可能引发过拟合。
4. 概率输出：若需要预测概率值，应设置 `-b 1`，但会增加计算时间。
四、注意事项
- 参数设置需结合具体任务和数据集进行调优，建议使用交叉验证方法进行评估。
- 对于大规模数据集，适当增大缓存大小（`-m`）可以提升训练速度。
- 数据预处理（如归一化）对模型性能影响显著，建议在训练前进行标准化处理。
通过合理配置 LIBSVM 的参数，可以显著提升模型的准确性和稳定性。在实际应用中，建议结合实验结果不断调整参数，找到最适合当前任务的配置方案。
