我正在使用libsvm对具有大量特征/属性（每个项目约5800个）的数据集进行多类分类。我希望选择比我目前使用的默认值更好的C和Gamma参数。

我已经尝试运行easy.py，但对于我使用的数据集，估计的时间几乎是无限的（在20、50、100和200个数据样本上运行easy.py，得到了一个超线性回归，预测我需要的运行时间将以年计算）。

有没有办法比默认值更快地找到更好的C和Gamma值？我使用的是Java库，如果这有什么不同的话。

回答：

这是可以不通过网格搜索来实现的，我认为easy.py就是这样做的。

看看Trevor Hastie等人发表的这篇论文：支持向量机的整个正则化路径（PDF）。一次”SVM运行”可以一次性计算所有”C”值的损失，因此您可以看到它如何影响您的SVM性能。

他们有一个这个算法的实现，您可以通过R中的svmpath包来使用。

我认为该算法的核心是用Fortran编写的，但被包装在R中。