9 使用时libsvm，参数是内核函数的参数。其默认值设置为γγγ=1个功能数量。γ=1个功能数量。 除了现有方法（例如网格搜索）以外，是否有任何理论指导来设置此参数？ machine-learning svm data-mining libsvm kernel-trick — 用户名 source
8 我建议以下理论指导。当您使用高斯RBF内核时，您的分离表面将基于以每个支持向量为中心的钟形表面的组合。每个钟形表面的宽度将与γγ。如果此宽度小于数据的最小成对距离，则实际上是过度拟合。如果此宽度大于数据的最大成对距离，则所有点将归为一类，并且您也不会有良好的性能。因此，最佳宽度应介于这两个极端之间。 — 狮子座 source pair-wise distance for your data=缩放后的简单欧几里得距离？ — ihadanny 2015年
5 不，它本质上取决于数据。如果您只需要调整少量的超参数，但是没有使网格分辨率变得太精细，或者您可能过度适应调整，则网格搜索（基于对数转换的超参数）是一种非常好的方法标准。对于具有大量内核参数的问题，我发现Nelder-Mead单纯形法效果很好。 — 迪克兰有袋动物 source Dikran，谢谢您的回答。您能否详细说明“数据相关”？r和一组数据之间有什么关系？或者换句话说，给定一组数据，是否有一种方法可以基于这些数据定义r？ — 2012年 1 从本质上讲，“取决于数据”只是意味着最佳设置会根据数据的特定结构而有所不同，并且没有比减少交叉验证错误更好的设置方法。内核方法确实可以对如何学习内核进行更多的理论分析，但是不幸的是，这在数学上非常困难。 — Dikran Marsupial 2012年
pair-wise distance for your data=缩放后的简单欧几里得距离？