矩陣低秩近似在支持向量機中的研究.pdf

1、支持向量機(Support Vector Machine, SVM)是一種有效的機器學習方法，適用于分類和預測等諸多領域。然而大規(guī)模數(shù)據(jù)形成的核在訓練過程中往往難以存儲或參與計算，使得算法本身不易于實現(xiàn)或復雜度過高。而約簡支持向量機(Reduced Support Vector Machine, RSVM)是這樣一種方法，它預選取訓練數(shù)據(jù)的子集作為支持向量，然后解一個更小規(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)時的困難。關

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