我在使用 libsvm 的 C-SVC 模式，并使用二次多项式核函数，需要训练多个 SVM。在训练过程中，我发现有些 SVM 会出现以下一个或两个警告：

WARNING: using -h 0 may be faster*WARNING: reaching max number of iterationsoptimization finished, #iter = 10000000

我找到了 h 参数的描述：

-h shrinking : whether to use the shrinking heuristics, 0 or 1 (default 1)

我尝试阅读了 libsvm 文档中的解释，但对我来说有点太高深了。能否请有人用通俗的语言解释一下，并提供一些建议，比如设置这个参数可能会有益，因为…？另外，如果我为所有训练的 SVM 都设置这个参数，是否会对那些没有明确发出此警告的 SVM 的准确性产生负面影响，这一点也希望能知道。

我对另一个警告不太理解。

为了提供更多细节：我的训练集有 10 个属性（特征），包含 5000 个向量。

更新：

如果其他人也遇到了“达到最大迭代次数”的问题，这似乎是由数值稳定性问题引起的。此外，这会导致训练时间非常慢。多项式核函数确实可以从使用交叉验证技术中受益，以确定正则化参数（C 参数）的最佳值，对于多项式核函数来说，我发现将其保持在 8 以下是有帮助的。此外，如果核函数是非均匀的 \sum(\gamma x_i s_i + coef0)^d（抱歉，SO 不支持 LaTeX），其中 coef0 != 0，那么可以使用网格搜索技术对 gamma 和 C 进行交叉验证，因为在这种情况下，gamma 的默认值（1 / 特征数）可能不是最佳选择。尽管如此，从我的实验来看，你可能不希望 gamma 值太大，因为这会导致数值问题（我尝试的最大值为 8）。

关于 gamma 和 C 的可能值的进一步启发，可以尝试查看 grid.py。

回答：

收缩启发式是为了加速优化。正如 FAQ 中所说，它们有时有帮助，有时没有。我认为这更多是运行时间的问题，而不是收敛的问题。

然而，优化达到最大迭代次数这一事实很有趣。你可能需要调整容忍度（成本参数），或者查看导致此问题的具体问题。数据集是否很大？