我正在使用for循环来调节SVM模型，搜索超参数空间的范围。学习得到的svm模型包含以下字段：
SVMModel: [1×1 ClassificationSVM] C: 2FeaturesIdx: [4 6 8] Score: 0.0142问题1）字段’score’的含义及其用途是什么？
问题2）我正在调节BoxConstraint，即C值。假设特征数量由变量featsize表示。变量gridC将包含搜索空间，可以从任何值开始，例如2^-5, 2^-3, 到2^15等。因此，gridC = 2.^(-5:2:15)。我不知道是否有选择范围的方法？
回答：
1. score已在这里进行了说明，内容如下：
分类得分 SVM分类得分用于对观测值x进行分类，是x到决策边界的带符号距离，范围从-∞到+∞。对于某个类别，正得分表示预测x属于该类别；负得分则表示不属于该类别。
在二分类情况下，如果有六个观测值，预测函数给出了一个称为TestScore的得分值，我们可以通过以下方式确定特定观测值所属的类别：
TestScore=[-0.4497 0.4497 -0.2602 0.2602; -0.0746 0.0746; 0.1070 -0.1070; 0.2841 -0.2841; 0.4566 -0.4566;];[~,Classes] = max(TestScore,[],2);在二分类中，我们也可以使用find(TestScore > 0)来替代，很明显前三个观测值属于第二类，第四到第六个观测值属于第一类。
在多分类情况下，可能有多个得分>0，但代码max(scores,[],2)仍然有效。例如，我们可以使用以下代码（来自这里，一个名为使用二元SVM查找多类边界的示例）来确定预测Samples的类别。
for j = 1:numel(classes); [~,score] = predict(SVMModels{j},Samples); Scores(:,j) = score(:,2); % 第二列包含正类得分end[~,maxScore] = max(Scores,[],2);然后，maxScore将表示每个样本的预测类别。
2. BoxConstraint表示SVM模型中的C，因此我们可以在不同的超参数下训练SVM，并通过类似以下方式选择最佳模型：
gridC = 2.^(-5:2:15);for ii=1:length(gridC)SVModel = fitcsvm(data3,theclass,'KernelFunction','rbf',... 'BoxConstraint',gridC(ii),'ClassNames',[-1,1]);%if (%满足某些条件) % %保存当前的SVModel%endend注意：实现这一过程的另一种方法是使用libsvm，这是一个快速且易于使用的SVM工具箱，提供了MATLAB接口。
