libsvm的k折交叉驗證是將訓練樣本平均分成k份，每次拿出k-1份作為訓練資料，剩下的乙份作為測試資料，這樣重複做k次，獲得k次的平均交叉驗證準確率作為結果，model都沒有儲存（也就是說沒有生成model檔案）。k折一般常用為5。
不使用交叉驗證，即去掉-v選項後，可以生成model檔案。
當svm-train使用-v引數時，此時svm-train返回的不再是乙個結構體model，而是交叉驗證的精度，對於分類問題，返回的是交叉檢驗下的平均分類準確率；回歸問題，返回的是交叉檢驗下的平均均方根誤差（mse）。
-v 交叉驗證後會返回乙個效率值，你找到這個效率最大的c和g
libsvm解決資料不平衡，可以使用-wi引數來進行設定。例如svm-train -s 0 -c 10 -w1 1 -w-1 5 data_file。則對類別「-1」的懲罰較大，注意-wi選項僅用在c-svc中。
nu-svc和c-svc這兩類svm分類器除了引數不同外，兩者基本是一樣的。c-svc中c的範圍是從0-無窮大，nu-svc中c的範圍是【0-1】。nu乙個很好的特性：它與支援向量的比率和訓練誤差的比率相關。
做完交叉驗證後，為什麼沒有模型輸出？
交叉驗證只是為了尋找好的引數，尋找完後，你必須在不用-v選項的情況下，重新訓練整個資料，才會得到模型檔案。
scikit learning 交叉驗證
import numpy as np from sklearn import datasets from sklearn.cross validation import train test split from sklearn.neighbors import kneighborsclassifi...
交叉驗證（cross validation）
交叉驗證是資料分析時模型選擇的方法之一，將資料集分為三份，分別為訓練集 training set 驗證集 valication set 和測試集 test set 分別功能為訓練模型，選擇模型和對學習方法的評估。其演算法的思想為重複的使用資料，使得模型的精度越來越高。交叉驗證的方法有以下三種 1.簡...
交叉驗證（Cross validation
交叉驗證 cross validation 交叉驗證用於防止模型過於複雜而引起的過擬合 作用 如何交叉驗證 我這裡主要介紹k交叉驗證 1 將資料集分成k份 2 對於每乙個模型 拿多項式回歸舉例，m 2為乙個模型，m 3為乙個模型。我們主要就是尋找最好的m for j 1,2,k 將除第j份的所有資料...