核支持向量机的随机共轭次梯度算法
原文中文,约300字,阅读约需1分钟。发表于: 。本文提出了一种新颖的方法,特别为核支持向量机(SVM)设计,该方法在每次迭代中不仅实现了更快的收敛性,而且在与传统的随机一阶(SFO)技术相比具有更强的可扩展性。这种方法通过采用自适应采样,改变了传统的样本平均逼近策略,将核 SVM 作为一个 “一体化” 的二次规划问题,同时将参数选择与误差估计分解开来,有效地应对了非线性和不平滑特性,超越了标准 SFO...
本文提出了一种新颖的方法,特别为核支持向量机(SVM)设计,该方法在每次迭代中实现了更快的收敛性和更强的可扩展性。通过自适应采样,改变了传统的样本平均逼近策略,将核SVM作为一个“一体化”的二次规划问题,有效地应对了非线性和不平滑特性。实验结果表明,该算法保持了SFO方法的可扩展性,并显著提高了优化过程的速度和准确性。