我在 C-SVC 模式下使用 libsvm 和 2 次多项式内核，并且需要训练多个 SVM。在训练期间，我训练的一些 SVM 会收到以下一个或什至两个警告：
WARNING: using -h 0 may be faster
*
WARNING: reaching max number of iterations
optimization finished, #iter = 10000000
我找到了有关的描述h范围：
-h shrinking : whether to use the shrinking heuristics, 0 or 1 (default 1)
我尝试阅读 libsvm 文档中的解释，但这对我来说有点太高了。任何人都可以提供外行的解释，也许一些建议（例如设置此选项）将是有益的，因为......？此外，了解为我训练的所有 SVM 设置此参数是否会对那些未明确发出此警告的 SVM 的准确性产生负面影响也会很有帮助。
我不知道如何看待另一个警告。
只是为了提供更多细节：我的训练集有 10 个属性（特征），它们由 5000 个向量组成。
Update:
如果其他人得到“达到最大迭代次数”，这似乎是由数字稳定性问题引起的。此外，这会导致训练时间非常慢。多项式核确实受益于使用交叉验证技术来确定正则化的最佳值（C 参数），并且在多项式核的情况下，对我来说，它有助于使其保持小于 8。此外，如果核是非齐次的\sum(\gamma x_i s_i + coef0)^d （抱歉，SO 不支持 LaTeX），其中 coef0 != 0，则可以使用 gamma 和 C 的网格搜索技术来实现交叉验证，因为，在此在这种情况下，gamma 的默认值 (1 / number_of_features) 可能不是最佳选择。不过，根据我的实验，您可能不希望 gamma 太大，因为它会导致数字问题（我正在尝试将其最大值设置为 8）。
为了进一步了解 gamma 和 C 的可能值，应该尝试查看 grid.py。
收缩启发式是为了加速优化。正如常见问题解答中所述，它们有时有帮助，有时则没有帮助。我相信这是一个运行时间的问题，而不是收敛的问题。
不过，优化达到最大迭代次数这一事实很有趣。您可能想要调整容差（成本参数），或者查看导致此问题的各个问题。数据集大吗？
本文内容由网友自发贡献，版权归原作者所有，本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容，请联系:hwhale#tublm.com(使用前将#替换为@)
