Statistics 支持向量机中的参数C&；寻找最佳参数的标准

支持向量机中的成本参数C是什么意思？我的意思是，如果C很大，是否意味着“我不能容忍错误的分类”

在实验中找到最佳参数时，我如何确定范围和步长

---

顺便问一下，决定哪个参数更好的标准是什么？交叉验证的错误数还是支持向量机的支持向量数

-C表示您如何容忍分类错误（松弛变量）。为了找到更好的模型，我想我们只需设置一个较大的阈值并进行交叉验证。

-C表示如何容忍分类错误（slack变量）。为了找到更好的模型，我想我们只需设置一个较大的阈值并进行交叉验证。

什么是C？

SVM训练解决的优化问题有两个术语：

有利于“更简单”权重的正则化术语

确保权重正确分类训练数据点的损失项

C只是这些术语重要性之间的平衡。如果C高，你给（2）很大的权重，如果C低，你给（1）很大的权重

如果我只想得到准确的结果，为什么不将C设置得非常高？

术语（1）防止过度拟合（非常擅长分类训练数据，但非常不擅长分类看不见的测试数据）

好的，我只想要准确的结果，为什么我不把C设得很低呢？

术语（2）确保训练优化关注训练数据，您不仅需要“简单”（在L2意义上）权重，还需要能够正确分类训练数据的简单权重

摘要：

---

训练支持向量机是两项的平衡。C是损失项相对于正则化项的相对重要性。

什么是C？

SVM训练解决的优化问题有两个术语：

有利于“更简单”权重的正则化术语

确保权重正确分类训练数据点的损失项

C只是这些术语重要性之间的平衡。如果C高，你给（2）很大的权重，如果C低，你给（1）很大的权重

如果我只想得到准确的结果，为什么不将C设置得非常高？

术语（1）防止过度拟合（非常擅长分类训练数据，但非常不擅长分类看不见的测试数据）

好的，我只想要准确的结果，为什么我不把C设得很低呢？

术语（2）确保训练优化关注训练数据，您不仅需要“简单”（在L2意义上）权重，还需要能够正确分类训练数据的简单权重

摘要：

---

训练支持向量机是两项的平衡。C是损失项相对于正则化项的相对重要性。

这样认为。SVM中的C参数是错误项的惩罚参数。 可以认为它是算法必须满足的正确分类程度或SVM必须满足的优化程度。 对于较大的C值，SVM优化器无法对任何单个点进行错误分类。是的，正如您所说的，SVM优化器对更高的C值的容忍度很高。但是对于较小的C，SVM优化器至少允许一定程度的自由度，以满足最佳超平面

SVC（C=1.0，kernel='rbf'，degree=3，gamma='auto'）

-->低容错rbf内核

SVC（C=1000.0，kernel='linear'，degree=3，gamma='auto'）

-->高容错线性内核

---

请参阅：

这边走。SVM中的C参数是错误项的惩罚参数。 可以认为它是算法必须满足的正确分类程度或SVM必须满足的优化程度。 对于较大的C值，SVM优化器无法对任何单个点进行错误分类。是的，正如您所说的，SVM优化器对更高的C值的容忍度很高。但是对于较小的C，SVM优化器至少允许一定程度的自由度，以满足最佳超平面

SVC（C=1.0，kernel='rbf'，degree=3，gamma='auto'）

-->低容错rbf内核

SVC（C=1000.0，kernel='linear'，degree=3，gamma='auto'）

-->高容错线性内核

参考：