求解L1正则化L2损失支持向量机问题的多层随机坐标下降算法.docx

下载文档 降价啦

2
0
约4.79千字
约 7页
2022-09-16 发布于河北
举报
版权申诉
保障服务

求解L1正则化L2损失支持向量机问题的多层随机坐标下降算法.docx

1、本文档内容版权归属内容提供方，所产生的收益全部归内容提供方所有。如果您对本文有版权争议，可选择认领，认领后既往收益都归您。。
2、本文档由用户上传，本站不保证质量和数量令人满意，可能有诸多瑕疵，付费之前，请仔细先通过免费阅读内容等途径辨别内容交易风险。如存在严重挂羊头卖狗肉之情形，可联系本站下载客服投诉处理。
3、文档侵权举报电话：400-050-0827(电话支持时间：9:00-18:30)。

支持向量机(SVM)是Vapnik等[1-2]根据统计学习理论中结构风险最小化原则提出的，也是借助最优化方法解决机器学习和数据挖掘中若干问题的有力工具。SVM的主要思想是建立一个最优的决策超平面，使这个超平面的两侧距离该平面最近的两类样本之间的距离最大化，从而为分类问题提供良好的泛化性能。SVM拥有坚实的理论基础和通用性、鲁棒性、计算简单等优点[3]，能有效解决小样本、非线性、过学习、局部极值等一系列难题，使其受到广泛关注。SVM已成功应用于文本分类[4]、信号识别[5]、混沌时间序列预测[6]、医学图像处理[7]、遥感图像分析[8]、干旱预测[9]、人脸识别[10]等领域。本研究考虑L1正则