矩陣低秩近似在支持向量機(jī)中的研究.pdf

1、支持向量機(jī)(Support Vector Machine, SVM)是一種有效的機(jī)器學(xué)習(xí)方法，適用于分類和預(yù)測(cè)等諸多領(lǐng)域。然而大規(guī)模數(shù)據(jù)形成的核在訓(xùn)練過程中往往難以存儲(chǔ)或參與計(jì)算，使得算法本身不易于實(shí)現(xiàn)或復(fù)雜度過高。而約簡(jiǎn)支持向量機(jī)(Reduced Support Vector Machine, RSVM)是這樣一種方法，它預(yù)選取訓(xùn)練數(shù)據(jù)的子集作為支持向量，然后解一個(gè)更小規(guī)模的問題，有效地解決了SVM用非線性核處理大規(guī)模數(shù)據(jù)時(shí)的困難。關(guān)

2、于約簡(jiǎn)集的選取方法，則是本文的研究重點(diǎn)。
　　原始的約簡(jiǎn)集選取方法為完全隨機(jī)抽取訓(xùn)練樣本的1％~10%；IRSVM方法是通過解最小二乘問題逐步增加訓(xùn)練樣本；系統(tǒng)采樣RSVM（SSRSVM）是從一個(gè)很小的約簡(jiǎn)集開始，通過訓(xùn)練得到分類器，再對(duì)錯(cuò)分點(diǎn)采樣選取來增加更多有用的支持向量。本文在此基礎(chǔ)上，綜合IRSVM與SSRSVM的優(yōu)點(diǎn)，將SSRSVM對(duì)錯(cuò)分點(diǎn)的采樣選取變?yōu)榻庾钚《藛栴}來選取，這使得對(duì)點(diǎn)的選取更加嚴(yán)格，減少不必要的迭代次數(shù)