计算机科学 ›› 2006, Vol. 33 ›› Issue (11): 146-148.
• 计算机网络与信息安全 • 上一篇 下一篇
出版日期:
发布日期:
Online:
Published:
摘要： 序贯最小优化（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训练速度比较慢。本文分析了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。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 序贯最小优化算法
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. Analyzing the varieties of the objective functi
Key words: Support vector machine, Sequential minimal optimization algorithm
. 一种改进的序贯最小优化算法[J]. 计算机科学, 2006, 33(11): 146-148. https://doi.org/
0 / / 推荐
导出引用管理器 EndNote|Reference Manager|ProCite|BibTeX|RefWorks
链接本文: https://www.jsjkx.com/CN/
https://www.jsjkx.com/CN/Y2006/V33/I11/146
Cited
首页