| 针对大规模样本集的SMO训练策略 |
| |
| 引用本文： | 骆世广,骆昌日,周业明.针对大规模样本集的SMO训练策略[J].广东技术师范学院学报,2008(9). |
| |
| 作者姓名： | 骆世广 骆昌日 周业明 |
| |
| 作者单位： | [1]广东金融学院应用数学系,广东广州510521 [2]华中师范大学网络学院,湖北武汉430079 [3]海军兵种指挥学院,广东广州510430 |
| |
| 基金项目： | 国家自然科学基金，广东省自然科学基金，霍英东基金，教育部人文社科基金，广东省科技攻关项目，广州市天河区科技攻关项目，华南理工大学自然科学基金 |
| |
| 摘 要： | SMO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训练速度十分缓慢.首先,分析了SMO迭代过程中目标函数值的变化情况,进而提出以目标函数值的改变量作为算法终止的判定条件和在SMO迭代后期改变SMO的循环条件两种策略.在几个著名的数据集的试验结果表明,该方法可以大大缩短SMO的训练时间,特别适用于大样本数据.
|
| 关 键 词： | 支持向量机 目标函数改变量 |
The Training Strategy of SMO Used for the Large-scale Data |
| |
| LUO Shiguang,LUO Changri ZHOU Yeming.The Training Strategy of SMO Used for the Large-scale Data[J].Journal of Guangdong Polytechnic Normal University,2008(9). |
| |
| Authors: | LUO Shiguang LUO Changri ZHOU Yeming |
| |
| Institution: | LUO Shiguang LUO Changri ZHOU Yeming(Department of Applied Mathematics,GuangDong University of Finance,Guangzhou 510521,China) |
| |
| Abstract: | At present sequential minimal optimization(SMO) algorithm is a very efficient method for training support vector machines(SVM).However,the training speed of SMO is very slow for the large-scale datasets.Ana-lyzing the varieties of the objective function in SMO iterations,the two novel improved SMO algorithms were pro-pose,where the changed value of the objective function is taken as the termination condition and change the con-dition of SMO`S iteration in the latter stage of SMO.Experiments on several bench... |
| |
| Keywords: | SMO |
| 本文献已被 CNKI 维普 万方数据 等数据库收录！ |
