- 5
- 0
- 约3.21千字
- 约 5页
- 2021-03-16 发布于天津
- 举报
支持向量机算法
Colin Campbell对SVM的训练算法作了一个综述,主要介 绍了以SVM为代表的分解算法、Platt的SMO^ Kerrthi的近邻 算法,但没有详细介绍各算法的特点, 并且没有包括算法的最新 进展。以下对各种算法的特点进行详细介绍,并介绍几种新的 SVM算法,如张学工的 CSVM Scholkopf的v-SVM分类器,J. A. K. Suykens 提出的最小二乘法支持向量机 LSSVM, Mint-H suan Yang提出的训练支持向量机的几何方法, SOF以及多类时的SVM
算法。
块算法最早是由 Boser 等人提出来的, 它的出发点是: 删除 矩阵中对应于 Lagrange 乘数为零的行和列不会对最终结果产生 影响。对于给定的训练样本集,如果其中的支持向量是已知的, 寻优算法就可以排除非支持向量, 只需对支持向量计算权值 (即 Lagrange 乘数)即可。但是,在训练过程结束以前支持向量是 未知的, 因此,块算法的目标就是通过某种迭代逐步排除非支持 向时。具体的做法是, 在算法的每一步中块算法解决一个包含下 列样本的二次规划子问题: 即上一步中剩下的具有非零 Lagrange 乘数的样本,以及 M个不满足Kohn-Tucker条件的最差的样本; 如果在某一步中,不满足 Kohn-Tucker条件的样本数不足 M个, 则这些样本全部加入到新的二
原创力文档

文档评论(0)