序贯最小优化的改进算法

被引：29

作者：

李建民

张钹

林福宗

机构：

[1] 清华大学计算机科学与技术系

[2] 清华大学智能技术与系统国家重点实验室

来源：

软件学报 | 2003年 / 05期

关键词：

机器学习; 支持向量机; 序贯最小优化; 缓存;

D O I：

10.13328/j.cnki.jos.2003.05.008

中图分类号：

TP181 [自动推理、机器学习];

学科分类号：

摘要：

序贯最小优化(sequential minimal optimization,简称SMO)算法是目前解决大量数据下支持向量机(support vector machine,简称SVM)训练问题的一种十分有效的方法,但是确定工作集的可行方向策略会降低缓存的效率.给出了SMO的一种可行方向法的解释,进而提出了一种收益代价平衡的工作集选择方法,综合考虑与工作集相关的目标函数的下降量和计算代价,以提高缓存的效率.实验结果表明,该方法可以提高SMO算法的性能,缩短SVM分类器的训练时间,特别适用于样本较多、支持向量较多、非有界支持向量较多的情况.

引用

页码：918 / 924

页数：7

共 4 条

[1] Efficient SVM Regression Training with SMO
Gary William Flake
Steve Lawrence
[J]. Machine Learning, 2002, 46 : 271 - 290
[2] Convergence of a Generalized SMO Algorithm for SVM Classifier Design[J] . S.S. Keerthi,E.G. Gilbert.Machine Learning . 2002 (1)
[3] Improvements to Platt's SMO algorithm for SVM classifier design
Keerthi, SS
Shevade, SK
Bhattacharyya, C
Murthy, KRK
[J]. NEURAL COMPUTATION, 2001, 13 (03) : 637 - 649
[4] A tutorial on Support Vector Machines for pattern recognition
Burges, CJC
[J]. DATA MINING AND KNOWLEDGE DISCOVERY, 1998, 2 (02) : 121 - 167

← 1 →