权重部分更新的大规模线性SVM求解器

摘要：

　　对高维数据,使用核函数将输入样本映射到更高维的空间通常不会明显改善模型的分类精度。实验表明线性SVM(Support Vector Mchine)能够提供很好的预测能力。本文基于最小闭包球的算法求解SVM的变形问题。改进的方法保存权重w及其每个分量的公共因子,并且每次迭代只更新向量w很少的部分,算法的复杂度为0(m d),d为输入样本的平均非零属性数目,m是核集大小。实验表明与流行的对偶坐标下降法DCD以及基于割平面的SVMperf相比,此方法能更快地训练出适合的分类模型。

关键词： 数据处理 线性SVM求解器 预测能力 分类模型

作者: LIU Shandian 刘闪电 WANG Jiandong 王建东

作者单位: College of Information Science and Technology, Nanjing University of Aeronautics and Astronautics, N 南京航空航天大学信息科学与技术学院,南京210016

会议类型: 国内会议

会议名称: 中国电子学会信息论分会2009年研究生学术交流会

会议地点: 三亚

会议语种:中文

页码: 156-161

在线出版日期: 2010-03-01（万方平台首次上网日期，不代表论文的发表时间）