支持向量机的训练算法 |
| |
引用本文: | 李建民,张钹,林福宗.支持向量机的训练算法[J].清华大学学报(自然科学版),2003,43(1):120-124. |
| |
作者姓名: | 李建民 张钹 林福宗 |
| |
作者单位: | 清华大学,计算机科学与技术系,智能技术与系统国家重点实验室,北京,100084 |
| |
基金项目: | 国家重点基础研究发展规划"九七三"资助项目(G1998030509),国家自然科学基金重点项目(60135010) |
| |
摘 要: | 大量数据下支持向量机(SVM)的训练算法是SVM研究的一个重要方向和广大研究者关注的焦点。该文回顾了近几年来这一领域的研究情况。该文从分析SVM训练问题的实质和难点出发,结合目前一些主要的SVM训练方法及它们之间的联系,重点阐述当前最有代表性的一种算法——序贯最小优化(SMO)算法及其改进算法。从中可以看到,包括SMO在内的分解算法通过求解一系列规模较小的子问题逐步逼近最优解,从而避免存储整个Hessian矩阵,是解决大规模SVM训练问题的主要方法。而工作集的选择对于分解算法的收敛与否和收敛速度至关重要。
|
关 键 词: | 支持向量机 分解算法 序贯最小优化 |
文章编号: | 1000-0054(2003)01-0120-05 |
修稿时间: | 2001年12月26 |
Training algorithms for support vector machines |
| |
Abstract: | |
| |
Keywords: | support vector machines decomposition algorithms sequential minimal optimization |
本文献已被 CNKI 万方数据 等数据库收录! |
|