一种求解截断Hinge损失的软阈值坐标下降算法

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

摘要：有效地减少支持向量数目能够提高分类器的鲁棒性和精确性，缩短支持向量机（supportvectorITIachine，SVM）的训练和测试时间．在众多稀疏算法中，截断Hinge损失方法可以显著降低支持向量的数目，但却导致了非凸优化问题．一些研究者使用CCCP（concave—convexprocedure）方法将非凸问题转化为多阶段凸问题求解，不仅增加了额外计算量，而且只能得到局部最优解．为了弥补上述不足，提出了一种基于CCCP的软阈值坐标下降算法．用坐标下降方法求解CCCP子阶段凸问题，提高计算效率；对偶SVM中引入软闽值投影技巧，能够减少更多的支持向量数目，同时选择合适的正则化参数可消除局部最优解的不良影响，提高分类器的分类精度．仿真数据库、UCI数据库和大规模真实数据库的实验证实了所提算法正确性和有效性．

原文链接:http://www.cqvip.com//QK/94913X/201311/47547373.html

送人玫瑰，手留余香~如您已下载到该资源，可在回帖当中上传与大家共享，欢迎来CDA社区交流学习。（仅供学术交流用。）

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：ING Procedure Support concave Convex 机器学习 支持向量 截断Hinge损失 CCCP 坐标下降