время тренировки и переоснащение гаммой и C в libsvm

Question

Я сейчас использую libsvm для классификатора машин опорных векторов с гауссовым ядром. На его веб-сайте он предоставляет скрипт python grid.py для выбора лучшего C и гаммы.

Мне просто интересно, как время тренировки и переоснащение / недостаточная экипировка меняются с гаммой и C?

Правильно ли, что:

предположим, что C изменяется от 0 до + бесконечности, обученная модель перейдет от переоснащения к переоснащению, а время тренировки увеличится?

предположим, что гамма изменяется от почти 0 до + бесконечности, обученная модель перейдет от переоснащения к переоснащению, а время тренировки увеличится?

В grid.py порядок поиска по умолчанию - C от маленькой до большой, НО гамма от большой до маленькой. Это с целью тренировки времени от маленькой до большой и тренированной модели от подгонки к переоснащению? Таким образом, мы можем сэкономить время при выборе значений C и гаммы?

Спасибо и всего наилучшего!

Answer 1

Хороший вопрос, на который у меня нет точного ответа, потому что я сам хотел бы знать. Но в ответ на вопрос:

Таким образом, мы можем сэкономить время при выборе значений C и гаммы?

... Я обнаружил, что с libsvm определенно существует "правильное" значение для C и гамма, которое сильно зависит от проблемы. Таким образом, независимо от порядка поиска гаммы, многие значения-кандидаты для гаммы должны быть проверены. В конечном счете, я не знаю ни одного ярлыка, связанного с этим трудоемким (в зависимости от вашей проблемы), но необходимым поиском параметров.