我在C-SVC模式下使用2级多项式内核使用libsvm，并且需要训练多个SVM。在培训期间，对于我所培训的某些SVM，我会收到这些警告中的一个甚至两个：
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)
并且我尝试阅读libsvm文档中的解释，但是对我来说有点太高了。有人可以提供外行的解释吗，也许有一些建议，例如设置此项会因为……而有所帮助？另外，了解一下是否可以通过为我训练的所有SVM设置此参数，是否会对那些未明确发出此警告的SVM的准确性产生负面影响。
我不确定该如何处理其他警告。
仅提供更多细节：我的训练集具有10个属性（特征），并且包含5000个向量。
更新：
如果有人得到“达到最大迭代次数”，这似乎是由数值稳定性问题引起的。同样，这将导致非常缓慢的训练时间。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），对于多项式内核，对我而言，它有助于将其保持在小于8的水平。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，则可以使用针对gamma和C的网格搜索技术实现交叉验证，因为在这种情况下在这种情况下，伽玛的默认值（1 / number_of_features）可能不是最佳选择。不过，根据我的实验，您可能不希望伽玛太大，因为它会引起数值问题（我正在尝试将其最大值设为8）。
为了进一步启发gamma和C的可能值，应该尝试在grid.py中戳入。
最佳答案
不断缩小的启发式方法可以加快优化速度。就像在FAQ中说的那样，它们有时会有所帮助，有时却没有帮助。我认为这是运行时问题，而不是收敛问题。
不过，优化达到最大迭代次数这一事实很有趣。您可能需要考虑公差（成本参数），或查看引起此公差的各个问题。数据集很大吗？
关于machine-learning - libsvm收缩启发式，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/12500261/