文档介绍：libsvm交叉验证与网格搜索参数选
择
li bsvm交义验证与网格搜索(参数选择)
臣冰河发表于12： 29添加评论502阅读十212010称先说交义验证。
交叉验证(Cross validation)足一种评佔统计分析、机器学****算法对独立于训练数据的数据集的泛化能力(generalize),能够避免过拟合问题。
交叉验证一般要尽杲满足：
训练集的比例要足够多，一般大于一半
训练集和测试集要均匀抽样
交义验证上要分成以下儿类：
Double cross-validation Double cross-validation 2-fold cross-validation(2-CV),作法是将数据集分成两个相等大小的了集，进行两回合的分类器训练。在第一回合中，一个子集作为训练集，另一个作为测试集; 在第二回合中，则将训练集与测试集对换后，再次训练分类器，而其中我们比较关心的足两次测试集的识别率。不过在实际中2-CV并不常用，主要原因足训练集样本数太少，通常不足以代表母体样本的分布，导致测试阶段识别率容易出现明显落差。此外，2-CV中子集的变异度大，往往无法达到「实验过程必须可以被复制」的要求。
k-folder cross-validation(k 折交义验证)
K-fold cross-validation(k-CV)则足 Double cross-validation 的延伸，做法是将数据集分成k个子集，每个犷集均做一次测试集，其余的作为训练集。 k-CV交义验证重复k次，每次选择一个子集作为测试集，并将k次的平均交义验证识别率作为结果。
优点：所有的样本都被作为了训练集和测试集，每个样本都被验证一次。 10-folder通常被使用。
3） leave-one-out cross-validation（LOOCV 留一验证法）
假设数期集中冇n个样本，那LOOCV也就足n-CV,总思、足每个样本单独作为一次测试集，剩余口-1个样本则做为训练集。
优点：
1）每一回合中儿乎所有的样本皆用于训练model,因此最接近母体样本的分布，佔测所得的generalization error比较可靠。因此在实验数拯集样本较少时，可以考虑使用LOOCVo
2）实验过程中没冇随机因素会影响实验数据，确保实验过程是可以被复制的。
，为需姜理万的models数虽与总样本数昴：相同，、勺总样本数量相X多时，LOOCV在实作上便有困难，除非每次训练model 的速度很快，或是可以用平行化计算减少计算所需的时间。
libsvm 捉供了 void svrn _eross_validcition（const struct
svm problem*prob, const struct svm parameter*param, int nr_fold, double*target）方法，参数含义如下：
prob：待解决的分类问题，就是样本数据。
param： svm训练参数。
nr_fold：顾名思义就足k折交义验证中的k,如果k二n的话就是留一法了。
target：预测值，如果是分类问题的话就是类别标签了。
然后我们讨论下参数选择。
使用svm,无论是libsv