Machine learning Accord-net多类支持向量机训练&x2B；交叉验证非常慢

我正在与accord.net合作一段时间，顺便说一句，这是一个很棒的api， 我使用带rbf核和SMO的多类svm作为学习算法， 我的数据集由53个标签组成，每个标签包含5k个样本， 每个样本由400个使用z分数缩放的特征组成 我正在尝试运行带有交叉验证的网格搜索，以优化超参数（C和gamma）， 但是性能不是很好，。。 当我使用一个部分数据集时，每个标签包含200个样本，一次2倍的CV运行大约需要30分钟， 因此，使用5x5网格进行完整网格搜索大约需要12.5小时。。 现在，如果是在我的完整数据集上，我会对这个结果感到高兴，但它在10个数据集上℅ 关于它，。。 我甚至没有尝试使用我所有的数据集

我想探索的复杂度范围是10^-5….10^5，伽马范围是10^-9….10^3， 上述每一项的5个值，

---

我能做些什么来加速这个过程吗？

你可能做不了多少。我想到两件事：多类应该是OneVsAll（或者一些自然的多类SVM，如果支持的话，但我怀疑它），而不是OneVsOne。您可以尝试增加内核缓存大小（这决定了复杂度是更接近样本^2还是样本^3）。但请记住，运行时也依赖于参数。如果将C设置为小调节，运行时将增加很多。这可能在CV中的参数扫描期间发生。核支持向量机训练相当复杂！如果我正确阅读了文档，OneVsOne是默认值，但是可以使用OneVsRest（也称为OneVsAll）。先试试这个。我怎样才能将默认的Behaver更改为onevsall？请阅读API。您需要更改传递OneVsRest对象的构造函数。您可能做不了多少。我想到两件事：多类应该是OneVsAll（或者一些自然的多类SVM，如果支持的话，但我怀疑它），而不是OneVsOne。您可以尝试增加内核缓存大小（这决定了复杂度是更接近样本^2还是样本^3）。但请记住，运行时也依赖于参数。如果将C设置为小调节，运行时将增加很多。这可能在CV中的参数扫描期间发生。核支持向量机训练相当复杂！如果我正确阅读了文档，OneVsOne是默认值，但是可以使用OneVsRest（也称为OneVsAll）。先试试这个。我怎样才能将默认的Behaver更改为onevsall？请阅读API。您需要更改传递OneVsRest对象的构造函数。