我在C-SVC模式下使用libsvm，使用2阶多项式内核，我需要训练多个SVM . 在训练期间，我为一些我训练的SVM获得了这些警告中的一个或者两个警告：
WARNING: using -h 0 may be faster
*
WARNING: reaching max number of iterations
optimization finished, #iter = 10000000
我找到了 h 参数的描述：
-h shrinking : whether to use the shrinking heuristics, 0 or 1 (default 1)
我试着阅读libsvm文档中的解释，但这对我来说有点太高了 . 任何人都可以提供一个外行的解释，或许，一些建议，如设置这将是有益的，因为......？此外，通过为我训练的所有SVM设置此参数，可能会对那些未明确发出此警告的SVM的准确性产生负面影响将会很有帮助 .
我不知道该怎么做其他警告 .
只是为了提供更多细节：我的训练集有10个属性（特征），它们由5000个向量组成 .
Update:
如果其他人正在获得“达到最大迭代次数”，则似乎是由数值稳定性问题引起的 . 而且，这将产生非常慢的训练时间 . 多项式内核确实受益于使用交叉验证技术来确定正则化的最佳值（C参数），并且在多项式内核的情况下，对我来说它有助于使其小于8.此外，如果内核是不均匀的\ sum（\ gamma x_i s_i coef0）^ d（对不起，SO不支持LaTeX），其中coef0！= 0，然后交叉验证可以使用网格搜索技术实现gamma和C，因为在这种情况下，gamma（1 / number_of_features）的默认值可能不是最佳选择 . 尽管如此，根据我的实验，你可能不希望gamma太大，因为它会导致数字问题（我正在尝试最大值为8） .
为了进一步了解gamma和C的可能值，我们应该尝试在grid.py中进行挖掘 .
1 回答
缩小的启发式方法可以加速优化 . 正如它在常见问题解答中所述，它们有时会有所帮助，有时它们却没有 . 我认为这是运行时问题，而不是收敛问题 .
但是，优化达到最大迭代次数的事实很有意思 . 您可能希望使用容差（成本参数），或查看导致此问题的各个问题 . 数据集大吗？