SVMtrain的参数c和g的优化

在svm训练过程中，需要对惩罚参数c和核函数的参数g进行优化，选取最好的参数

知道测试集标签的情况下
是让两个参数c和g在某一范围内取离散值，然后，取测试集分类准确率最佳的参数

不知道测试集标签的情况下

（1）利用交叉验证的方法：(k-fold cross validation)

（2）leave-one-out cross validation(loo交叉验证)

设原始数据有N个样本，那么LOO-CVj就是N-CV,即每一个样本作为验证集，其余的N-1个样本作为训练集，所以在LOO-CV下会得到N个模型，用N个模型的最终验证集的分类准确率的平均数做为在LOO-CV下分类器的性能指标

**　但是LOO-cv计算量太大，每个样本都要建立一个模型，计算成本太大

当计算出所有的c和g时，这时候这些c和g有可能会出现的是：某些成对出现的c和g验证准确率一样高，这时候选择的是惩罚参数最小的c和g，认为c小的那个对象是最佳的选择

伪代码如下
bestAccuracy = 0
bestc = 0
bestg = 0
//将c和g划分为网格进行搜索
for c = 2 ^(cmin):2(cmax)
for c = 2 ^(gmin):2(gmax)
%%采用K-CV方法
将train大致分为K组，记为train(1)train(2)…train(k)
相应的标签也要分离出来记为train_label(1),train_label(2)…train_label(k)
for run = 1:k
让train（run），作为验证集，其他的作为训练集，记录此时的验证准确率为acc（run）
end
cv = (acc(1)+acc(2)+…acc(k))/k
if (cv>bestAccuracy)
bestAccury = cv;bestc=c;bestg=g;
end
end
end
over