确定SVM最佳C和伽玛参数的搜索范围是什么？

我正在使用SVM进行分类，并且正在尝试确定线性和RBF内核的最佳参数。对于线性内核，我使用交叉验证的参数选择来确定C，对于RBF内核，我使用网格搜索来确定C和伽马。

我有20个（数字）功能和70个训练示例，应该将其分为7类。

我应该使用哪个搜索范围来确定C和gamma参数的最佳值？

查阅有关SVM分类的实用指南以获取一些指针，尤其是第5页。

我们建议使用交叉验证对和进行“网格搜索” 。尝试各种值对，并选择交叉验证精度最高的值。我们发现尝试对和指数增长的序列是一种识别良好参数的实用方法（例如）。$C$$\gamma$$(C,\gamma)$$C$$\gamma$$C = 2^{-5},2^{-3},\ldots,2^{15};\gamma = 2^{-15},2^{-13},\ldots,2^{3}$

请记住先对数据进行规范化，如果可以的话，请收集更多数据，因为从数据的外观看，您的问题可能很不确定。

请参阅Chapelle和Zien撰写的本文第2.3.2节。他们具有很好的启发性，可以为RBF内核的和SVM的合适的搜索范围。我引用$\sigma$$C$

为了确定剩余自由参数的良好值（例如，通过CV），重要的是要以正确的比例进行搜索。因此，我们为和了具有正确数量级的默认值。在类问题中，我们将所有数据点的成对距离的分位数用作的默认值。的默认值是特征空间中经验方差的逆，可以通过计算得出 从内核矩阵。$C$$\sigma$$c$$1/c$$D^\rho_{ij}$$\sigma$$C$$s^2$$s^2 = \frac{1}{n} \sum_i K_{ii} - \frac{1}{n^2}\sum_{i,j} K_{ij}$$n\times n$$K$

随后，他们使用的倍数（例如，为）的默认值作为搜索范围的以网格搜索使用交叉验证。这对我来说一直很好。$2^k$$k\in \{-2,...,2\}$

当然，我们@ciri说，将数据标准化等总是一个好主意。