加快SMO算法训练速度的策略研究

• 作者: 骆世广 骆昌日
• 来源期刊: 计算机工程与应用
• 学科: 工学
• 关键词: 支持向量机 序贯最小优化算法 Shrinking
• 年，卷（期）: 2007,（33）
• 所属期刊栏目: 数据库与信息处理
• 页码范围: 184-187
• 页数: 4页
• 分类号: TP391
• 字数: 3428字
• 语种: 中文
• DOI: 10.3321/j.issn:1002-8331.2007.33.058

摘要

SMO(序贯最小优化算法)算法是目前解决支持向量机训练问题的一种十分有效的方法,但是当面对大样本数据时,SMO训练速度比较慢.考虑到在SVM的优化过程中并不是所有样本都能影响优化进展,提出了两种删除样本的策略:一种是基于距离,一种是基于拉格朗日乘子的值.在几个著名的数据集的试验结果表明,两种策略都可以大大缩短SMO的训练时间,特别适用于大样本数据.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	骆昌日	华中师范大学网络学院	24	150	6.0	11.0
2	骆世广	广东金融学院应用数学系	27	101	5.0	9.0