【libsvm参数说明】在使用LIBSVM（Library for Support Vector Machines）进行分类或回归任务时，理解其参数配置对于模型性能的优化至关重要。以下是对LIBSVM主要参数的总结与说明，帮助用户更好地理解和应用这些参数。
一、参数概述
LIBSVM提供了多种参数选项，用于控制模型训练过程中的不同方面，包括核函数类型、惩罚系数、交叉验证设置等。合理设置这些参数可以显著提升模型的准确性和泛化能力。
二、常用参数说明（总结+表格）
| 参数 | 说明 | 默认值 | 常见取值 |
| `-s` | 选择问题类型： 0：C-SVC（多类分类） 1：nu-SVC（多类分类） 2：one-class SVM 3：C-ESVR（回归） 4：nu-ESVR（回归） 5：one-class SVR | 0 | 0~5 |
| `-t` | 核函数类型： 0：线性核 1：多项式核 2：径向基函数（RBF） 3：Sigmoid核 4：自定义核 | 2 | 0~4 |
| `-d` | 多项式核的次数（仅当`t=1`时有效） | 3 | 正整数 |
| `-g` | RBF核的伽马值（即1/(2σ²)） | 0.5 | 正实数 |
| `-r` | Sigmoid核的偏置项 | 0 | 实数 |
| `-c` | 惩罚系数C（对错误样本的惩罚） | 1 | 正实数 |
| `-n` | nu参数（仅适用于nu-SVC和nu-ESVR） | 0.5 | 0 < n < 1 |
| `-p` | epsilon值（用于ESVR） | 0.1 | 正实数 |
| `-m` | 每次迭代中保留的内核缓存大小（MB） | 40 | 正整数 |
| `-e` | 终止条件（允许的误差） | 0.001 | 正实数 |
| `-h` | 是否使用概率估计 | 0 | 0或1 |
| `-b` | 是否输出概率估计（仅在使用-h时有效） | 0 | 0或1 |
| `-v` | 交叉验证的折数（如5折） | 0 | 正整数 |
三、使用建议
- 核函数选择：通常RBF核（`-t 2`）在大多数情况下表现良好，但具体选择应根据数据特征进行调整。
- 惩罚系数C：较大的C值会使模型更关注于减少误分类，但可能造成过拟合；较小的C值则更注重泛化能力。
- gamma参数（-g）：对于RBF核，gamma值越大，模型越复杂，容易过拟合；反之则更简单。
- 交叉验证：通过`-v`参数进行交叉验证，有助于评估模型的稳定性与泛化能力。
- 概率估计：若需要输出预测概率，应同时设置`-h 1`和`-b 1`。
四、示例命令
```bash
svm-train -s 0 -t 2 -c 10 -g 0.5 -b 1 train_data.txt model_file
```
此命令表示使用RBF核进行C-SVC分类，惩罚系数为10，gamma值为0.5，并启用概率估计。
通过合理配置LIBSVM的参数，可以显著提升模型的效果。建议结合具体任务进行多次实验，找到最佳参数组合。