【libsvm参数说明】在使用LIBSVM进行分类或回归任务时，了解其核心参数对于模型性能的优化至关重要。LIBSVM是一个广泛使用的支持向量机（SVM）工具包，提供了多种参数供用户调整以适应不同的数据集和问题类型。以下是对LIBSVM主要参数的总结，并以表格形式展示其功能与默认值。
一、常用参数说明
| 参数 | 简要说明 | 默认值 | 备注 |
| `-s` | 选择SVM类型：0=C-SVC, 1=nu-SVC, 2=one-class SVM, 3=epsilon-SVR, 4=nu-SVR | 0 | 根据任务类型选择 |
| `-t` | 核函数类型：0=线性，1=多项式，2=径向基函数（RBF），3=sigmoid | 2 | 常用为RBF |
| `-d` | 多项式核的次数 | 3 | 仅在`t=1`时有效 |
| `-g` | 核函数中的gamma参数（RBF、多项式、sigmoid） | 0.5 | 控制模型复杂度 |
| `-r` | 多项式/sigmoid核的系数 | 0 | 可选 |
| `-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` | nu参数（用于nu-SVC和nu-SVR） | 0.5 | 通常在0到1之间 |
| `-m` | 每次迭代中保留的内存大小（MB） | 40 | 用于控制内存使用 |
| `-e` | 终止条件的精度 | 0.001 | 影响训练速度和精度 |
| `-h` | 是否对数据进行缩放 | 0 | 1表示启用 |
| `-b` | 是否输出概率估计 | 0 | 1表示启用，需额外计算 |
| `-wi` | 类别权重（用于不平衡数据） | 无 | 可设置多个权重 |
二、关键参数解释
- `-s`：决定了模型是用于分类还是回归，以及具体的SVM变种。
- `-t` 和 `-g`：这两个参数共同决定核函数的形式和特征空间的映射方式，对模型的非线性能力有直接影响。
- `-c`：是控制模型复杂度的重要参数，较大的`-c`值会使模型更关注最小化误差，但可能导致过拟合。
- `-n`：在`nu-SVC`或`nu-SVR`中起关键作用，影响支持向量的数量和模型的泛化能力。
- `-b`：如果需要预测类别概率，应设置为1，但会增加训练时间。
三、使用建议
- 对于大多数分类问题，推荐使用`-s 0`（C-SVC）和`-t 2`（RBF核）作为起点。
- 调整`-c`和`-g`时，建议使用交叉验证来寻找最佳组合。
- 若数据存在类别不平衡，可以利用`-wi`参数进行加权处理。
- 如果模型训练时间较长，可适当增大`-m`参数以提升内存效率。
通过合理设置这些参数，可以显著提升LIBSVM在实际应用中的表现。建议在实际项目中结合具体数据集进行多次调参实验，以获得最优结果。
