使用带有支持向量机的 RBF 内核时有两个参数：C 和 γ。事先不知道哪个 C 和 γ 最适合一个问题；因此，必须进行某种模型选择（参数搜索）。目标是识别好的（C;γ），以便分类器可以准确地预测未知数据（即测试数据）。
weka.classifiers.meta.GridSearch是用于调整一对参数的元分类器。然而，似乎需要很长时间才能完成（当数据集相当大时）。为了缩短完成这项任务所需的时间，您建议做什么？
根据支持向量机的用户指南：
C：软边距常数。较小的 C 值允许忽略靠近边界的点，并增加边距。
γ> 0 是控制高斯宽度的参数
Hastie 等人的SVMPath探索了 C 的整个正则化路径，并且只需要与训练单个 SVM 模型大致相同的计算成本。从他们的论文中：
我们的 R 函数 SvmPath 在 pentium 4、2Ghz linux 机器上以 1.44(0.02) 秒计算混合示例中的所有 632 个步骤（n+ = n− = 100，径向内核，γ = 1）；svm 函数（使用优化的代码 libsvm，来自 R 库 e1071）需要 9.28（0.06）秒来计算沿路径 10 个点的解。因此，我们的程序计算整个路径所花费的时间比 libsvm 计算典型的单一解决方案所花费的时间多 50%。
他们在 R 中发布了该算法的 GPLed 实现，您可以在此处从 CRAN下载。
使用 SVMPath 应该可以让您快速找到任何给定 γ 的良好 C 值。但是，您仍然需要针对不同的 γ 值进行单独的训练。但是，这应该比为每对 C:γ 值单独运行要快得多。