我正在写一篇论文，要求应用支持向量回归（SVR），最好是使用高斯核。经过一点搜索，我发现LibSVM可以帮助完成这项任务。
然而，我面临着相当多的困难：我不完全确定如何使用这个或任何其他类似的库来做到这一点，如何凭经验决定SVR参数（内核带宽、成本和ε（松弛变量）），以及如何绘制训练和测试误差。
欢迎所有建议。
最佳参数将取决于您的数据。你最好的（也许也是唯一的）选择是连续尝试多个参数集，看看哪一个参数集的性能最好，无论你选择哪个指标。
至于绘制训练和测试错误，评估分类器的一个好方法是使用F-测度作为性能指标。这允许您考虑假阳性和假阴性错误，并根据您的特定领域对其进行适当的加权。如果你对训练和测试错误的描绘有其他意思，请澄清。
编辑：回应您的意见
LibSVM也不知道如何优化自己的参数——这就是为什么你需要为它提供参数作为svm_train函数的参数。你需要通过实验来优化你自己的参数，要做到这一点，你需要对性能进行一些单一的定量测量。我不知道你所说的30值问题是什么意思，但你应该能够通过创造性地重新定义真阳性、假阳性、真阴性和假阴性来使用F-测度。
您有两种选择：一种是更全面的，另一种是计算成本更低的。您可以使用三层嵌套循环来测试gamma、C和epsilon的各种可能组合，选择在测试数据上产生最高性能的参数（我建议使用交叉验证以避免过度拟合特定的测试数据），也可以依次优化每个参数-首先，给定一些平淡的默认C和epsilion，迭代许多gamma值，直到找到最佳值；则对C和ε进行同样的操作。
如果您想增强第二种方法，请使其在优化每个参数时，使用所有其他参数的最佳值，而不是某些默认值，并多次优化每个参数（以便它们可以在其他参数中连续使用更好的值运行）。
为了使任何一种方法更精确（尽管总是以潜在的过拟合为代价，请记住），请使用伸缩搜索——比如说，你第一次从1搜索到101，步长为10，所以你搜索1、11、21…101。在获得最佳值（例如51）后的下一次运行中，搜索46、47、48、49、50、51、52、53、54、55、56，以便重用相同的信息，但变得更加精确。
为了降低任何一种方法对随机波动的敏感性（比如说，在你为交叉验证生成的随机折叠中），用默认参数运行多个交叉验证测试（我想说，C的好默认值可能是1.0，ε的值可能是1E-9，我不确定gamma），并获得你使用的性能测量的平均值和标准偏差。然后，您可以判断给定的性能度量在统计上是否明显优于第二好，或者是否仅使用默认参数。