查看SVM 分类的实用指南以获取一些提示，尤其是第 5 页。

我们建议使用交叉验证和进行“网格搜索” 。尝试了各种值对，并选择了具有最佳交叉验证精度的值。我们发现尝试指数增长的和序列是识别良好参数的实用方法（例如，）。$C$$\gamma$$(C,\gamma)$$C$$\gamma$$C = 2^{-5},2^{-3},\ldots,2^{15};\gamma = 2^{-15},2^{-13},\ldots,2^{3}$

请记住首先规范化您的数据，如果可以，请收集更多数据，因为从外观上看，您的问题可能严重不足。

查看Chapelle 和 Zien的这篇论文的第 2.3.2 节。他们有一个很好的启发式方法，可以为RBF 内核和SVM 的选择一个好的搜索范围。我引用$\sigma$$C$

为了确定剩余自由参数的良好值（例如，通过 CV），在正确的范围内进行搜索很重要。因此，我们修复了具有正确数量级的和的默认值。在类问题中，我们使用所有数据点的成对距离的默认值。的默认值的倒数，可以通过 来自核矩阵。$C$$\sigma$$c$$1/c$$D^\rho_{ij}$$\sigma$$C$$s^2$$s^2 = \frac{1}{n} \sum_i K_{ii} - \frac{1}{n^2}\sum_{i,j} K_{ij}$$n\times n$$K$

之后，他们使用默认值的倍数（例如 for）作为使用交叉验证的网格搜索中的搜索范围。这对我来说总是很好。$2^k$$k\in \{-2,...,2\}$

当然，我们@ciri 说，规范化数据等总是一个好主意。