我在使用libsvm进行机器学习时使用了RBF核，现在我想探索其他核在我的数据集上的表现。
每个核都有多个需要优化的参数。对于RBF核，C和g参数用于网格搜索，以选择最佳的Cost和gamma组合。
-d degree : 设置核函数中的度数（默认值为3）-g gamma : 设置核函数中的gamma值（默认值为1/num_features）-r coef0 : 设置核函数中的coef0值（默认值为0）-c cost : 设置C-SVC、epsilon-SVR和nu-SVR的参数C（默认值为1）-n nu : 设置nu-SVC、单类SVM和nu-SVR的参数nu（默认值为0.5）-p epsilon : 设置epsilon-SVR损失函数中的epsilon值（默认值为0.1）-m cachesize : 设置缓存内存大小，单位为MB（默认值为100）-e epsilon : 设置终止标准的容忍度（默认值为0.001）-h shrinking : 是否使用收缩启发式，0或1（默认值为1）-b probability_estimates : 是否训练SVC或SVR模型以进行概率估计，0或1（默认值为0）-wi weight : 将类i的参数C设置为weight*C，用于C-SVC（默认值为1）我想了解每个核的相关参数。由于有多个参数需要选择。例如，RBF核使用C和g。还请提供参数的网格大小和范围。例如，C的范围为10^-3到10^11，g的范围为10^3到10^-13
我用于RBF核的Perl网格生成器如下：
for ( $i = -3; $i <= 11; $i += 1 ) { for ( $j = 3; $j >= -13; $j += -1 ) { my $a = 2**$i; my $b = 2**$j; $output = "svm-train -c $a -g $b -v 5 $ARGV[0]"; print "$output >& ${ARGV[0]}_${a}_${b}.out \n"; }}回答：
libsvm支持四种核：线性、多项式、径向基函数（RBF）和Sigmoid（实际上不是有效的核）。
- 线性：无参数
- 多项式：gamma（>0，浮点数）、coef0（浮点数）、degree（>1，整数）
- RBF：gamma（>0，浮点数）
- Sigmoid：gamma（>0，浮点数）、coef0（浮点数）
你无法提供通用的参数网格，因为它们依赖于数据。
C是SVM的一个参数，因此总是需要进行拟合。其余参数并非核特定的，你不需要过多关注它们。
