【libsvm参数说明】在使用LIBSVM进行机器学习任务时，正确配置参数是提升模型性能的关键。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主要参数的总结与说明。
一、参数分类
LIBSVM的参数可以大致分为以下几类：
1. 核函数相关参数
2. 惩罚系数相关参数
3. 优化算法相关参数
4. 输出控制参数
二、常用参数说明（表格形式）
| 参数 | 说明 | 默认值 | 备注 |
| `-s` | 选择SVM类型 0: C-SVC 1: nu-SVC 2: one-class SVM 3: C-PLR 4: nu-PLR | - | 必须指定 |
| `-t` | 核函数类型 0: 线性核 1: 多项式核 2: RBF核 3: sigmoid核 | 0 | 常用为0或2 |
| `-d` | 多项式核的次数（仅当`t=1`时有效） | 3 | 通常取2~5 |
| `-g` | RBF核的伽马值（即`1/(2σ²)`） | 0.5 | 可调范围较大 |
| `-r` | sigmoid核的斜率 | 1 | 一般不建议修改 |
| `-c` | 惩罚系数C（用于C-SVC和C-PLR） | 1 | 越大越强调分类准确度 |
| `-n` | nu参数（用于nu-SVC和nu-PLR） | 0.5 | 在0~1之间 |
| `-m` | 缓存大小（单位：MB） | 40 | 内存较大的情况下可调高 |
| `-e` | 终止条件（误差容忍度） | 0.001 | 控制训练精度 |
| `-h` | 是否使用概率估计 | 0（不使用） | 若需预测概率，设为1 |
| `-b` | 是否输出概率估计结果 | 0（不输出） | 需配合`-h`使用 |
| `-w` | 类别权重设置（多类分类） | - | 可用于处理类别不平衡 |
三、参数使用建议
- 核函数选择：对于大多数数据集，RBF核（`-t 2`）表现较好，但若数据线性可分，可尝试线性核（`-t 0`）。
- 惩罚系数C：C越大，模型对误分类的惩罚越重，容易过拟合；C越小，模型越简单，可能欠拟合。
- gamma值：RBF核中`-g`值影响模型的复杂度，值过大可能导致过拟合，值过小则可能欠拟合。
- nu参数：适用于需要控制支持向量数量的场景，常用于异常检测。
- 概率估计：若需要模型输出概率，应同时设置`-h 1`和`-b 1`。
四、总结
LIBSVM的参数设置对模型性能有显著影响。合理选择核函数、调整惩罚系数和gamma值，能够有效提升模型的分类或回归能力。同时，根据实际需求启用概率估计功能，有助于后续的决策分析。建议通过交叉验证来寻找最优参数组合，从而获得最佳效果。