Answers:
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)。
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
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。
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。
当然,我们@ciri说,将数据标准化等总是一个好主意。