C# C参数不影响libsvm的精度

在使用libsvm，尤其是它的C#实现时，我面临着一种奇怪的情况。我执行网格搜索以检测参数C的最佳值（我使用的是线性核）。然而，似乎尝试的第一个C值设置了机器的精度：网格搜索尝试的所有其他值都会产生相同的精度，除非我在不同的无序数据集上重新运行搜索

这让我很困惑。有人知道是什么导致了这种行为吗？我对支持向量机很陌生，所以我可能忽略了一些显而易见的东西。谢谢

编辑：我调用的方法如下：

ParameterSelection.Grid（问题、训练、问题、验证、参数、最小值、最大值、步长、输出电流、输出精度、输出tmp模型）
这是一个我构建的方法，类似于库提供的现有ParameterSelection.Grid方法。更详细地说，以下是代码：

  public static void Grid(Problem training, Problem validation, Parameter parameters, double min_c, double max_c, double step_c, out double C,
        out double accuracy, out Model best_model)
    {
        C = 0;
        accuracy = 0;
        best_model = null;
        double maxScore = double.MinValue;
        for (double index = min_c; index < max_c; index += step_c)
        {
            parameters.C = index;
            Model model = Training.Train(training, parameters);
            double test = Prediction.Predict(validation, null, model, false);
            Console.WriteLine("{0} {1}", parameters.C, test);
            if (test > maxScore)
            {
                C = parameters.C;
                maxScore = test;
                accuracy = test;
                best_model = model;
                Debug.WriteLine(" New Maximum! C =" + C);
            }
        }
    }

公共静态无效网格（问题培训、问题验证、参数参数、双最小值c、双最大值c、双步骤c、输出双c、，
out双精度，out模型最佳（U模型）
{
C=0；
准确度=0；
最佳_模型=null；
double maxScore=double.MinValue；
对于（双指数=最小值；指数<最大值；指数+=步长）
{
参数C=指数；
模型=Training.Train（训练，参数）；
双重测试=预测。预测（验证、空、模型、假）；
WriteLine（“{0}{1}”，parameters.C，test）；
如果（测试>最大分数）
{
C=参数C；
maxScore=测试；
准确度=测试；
最佳_模型=模型；
Debug.WriteLine（“新的最大值！C=“+C”）；
}
}
}
您可以在网格搜索中发布一些代码吗？
测试的值是多少？在每次迭代中它是否接近于零？不，它大约是0.8（振荡取决于数据集的当前顺序）。但是，它在每次迭代中都保持不变。你试过了吗？你正在检查的C值是什么？最明显的原因是您尝试的值范围太窄。事实上，它看起来是这样的，因为C的最常见的选择是a^i的形式，而不是i*a（你现在使用的）你能用网格搜索发布一些代码吗？测试的值是多少？在每次迭代中它是否接近于零？不，它大约是0.8（振荡取决于数据集的当前顺序）。但是，它在每次迭代中都保持不变。你试过了吗？你正在检查的C值是什么？最明显的原因是您尝试的值范围太窄。事实上，它看起来是这样的，因为C的最常见的选择是a^i的形式，而不是i*a（你现在使用的）