Я бы предложил вам использовать какой-то Grid-Search . Это метод, в котором вы оцениваете производительность двух параметров одновременно. Для вашего SVM есть sigma и C. Следовательно, вы выполняете исчерпывающий поиск в пространстве параметров, где каждая ось представляет параметр, а точка в нем является кортежем двух значений параметра (C_i, sigma_i).
Итак, чтобы выполнить это, вы просто выбираете набор для C: {C_1,..., C_n} и для sigma: {sigma_1,..., sigma_n} и обучаете, а затем проверяете его для каждой пары параметров в двух наборах (C_i, sigma_i).
На самом деле это займет довольно много времени, поэтому я предлагаю вам попробовать нечто подобное:
LibSVM , например, предлагает Кросс-валидация по K-Fold , поэтому выберите набор значений sigma, определите фиксированное значение K (может быть от 5 до 10) и выполните перекрестная проверка для получения хорошей оценки C. Документируйте параметр C и показатель точности. После того, как вы применили это ко всем элементам вашего набора значений sigma, выберите пару параметров, которая достигла максимальной точности во время каждой процедуры перекрестной проверки.
Примечание:
Я предлагаю вам не использовать SVM для одноклассных задач. Даже когда для него есть формальное определение, базовому алгоритму SVM требуются два класса для определения оптимальной границы. Следовательно, я бы предложил вам создать класс catch-all и превратить вашу проблему с одним классом в задачу с двумя классами.