序贯最小优化的改进算法

• 作者: 张钹 李建民 林福宗
• 来源期刊: 软件学报
• 学科: 工学
• 关键词: 机器学习 支持向量机 序贯最小优化 缓存
• 年，卷（期）: 2003,（5）
• 所属期刊栏目: 模式识别与人工智能
• 页码范围: 918-924
• 页数: 7页
• 分类号: TP181
• 字数: 6147字
• 语种: 中文

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.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张钹	清华大学计算机科学与技术系	68	5127	32.0	68.0
5	李建民	清华大学计算机科学与技术系	7	221	5.0	7.0
9	林福宗	清华大学计算机科学与技术系	34	552	10.0	23.0