我正在使用来自LibSVM的 heart_scale 数据。原始数据包括 13 个特征，但我只使用了其中的 2 个来绘制图中的分布。我没有训练二元分类器，而是通过仅选择标记为 +1 的数据将问题视为一类 SVM。
在我的固定为 ，我为我的 RBF 内核尝试了 6 个不同的值：、、、、和。理论上较小可能导致高偏差和低方差，而较大可能会相反，并倾向于过度拟合。但是，我的结果表明上述陈述仅部分正确。
随着 的增加，支持向量的数量为 3、3、3、7、35 和 89。
然而，另一方面，训练精度（120 个中的校正分类数据）为 117、118、119、117、96 和 69。训练误差急剧增加。
我还尝试处理二元分类器，、和方差/偏差性能之间的关系符合“理论”趋势。
我试图理解为什么一类 SVM 会出现这种“矛盾”。
我还附上了下面 6 个不同超平面的轮廓。
正确分类的比例是由虚假模型优化的不连续的不正确评分规则。我不会相信你从中学到的任何东西。
更新
LibSVM 中的一类 nu-svm 可能存在数值错误。在最佳情况下，一些训练实例应该满足w'*x - rho = 0。但是，在数值上它们可能略小于零然后它们被错误地算作训练错误。由于nu是超平面错误一侧的训练点比率的上限，因此在计算第一种情况时会出现数值问题，因为某些训练点满足y*(w'*x + b) - rho = 0变为负数。
用于二分类的 nu-SVC 不会出现此问题。
作者将此问题添加到他们的 FAQ中。
-----------下面的旧答案------------------------------------ -------------------------------------
感谢@cbeleites 的说明。我调查了和在一类 SVM 中的影响。我使用了 5 折交叉验证（但不是libsvm 中的选项），将数据洗牌 100 次，然后平均准确度（仍然使用正确分类的比例）。和的不同组合的训练准确度、测试准确度和泛化误差（前两者之间的差异） 。'-v 5'
Cbeleites 是正确的，本身不足以确定模型的方差。欠拟合在子图（3）中非常清楚地显示，但似乎在中间部分（，，我没有找到确切的坐标）周围只有轻微的过拟合。正如Cbeleites在评论中提到的那样，还有“长期最优”。基本上大和可能会导致欠拟合，但过拟合对系数的依赖性并不那么明显。我使用和的对数来更清楚地显示下面的较小值区域。
根据 Harrell 博士的建议，我尝试了对数和 Brier 评分规则。由于 libsvm 不支持对 nu-svm 进行概率估计，因此我必须使用二进制类 SVM 来进行。
结果图像的一些注释：
正确分类的比例与'-b 1'训练和测试中的选项不同。由于其他评分规则是用 计算的'-b 1'，因此比较最后三个子图更有意义；
对数和brier的最大值和最小值相同（），子图2中的精度为，子图2中的精度为。函数是连续的但不是单调的，所以我对 OP 的关注仍然存在。
OP 中只有 2 个特征的数字：
