斯姆托奇

大规模回归问题的支持向量机。回归问题的支持向量机(SVM)是通过求解一个二次优化问题来训练的,该优化问题需要l2内存和时间资源来解决,其中l是训练实例的个数。本文提出了一种与支持向量机相类似的大规模支持向量机算法。伦敦:麻省理工学院出版社(1998;zbl0935.68084)],用于分类问题,但适应于回归问题。有了这个算法,人们现在可以有效地解决大规模回归问题(超过20000个例子)。与Nodelib的比较,Nodelib是另一种用于大规模回归问题的支持向量机算法。学习。46271–290(2002;Zbl 0998.68107)]显著提高了时间。最后,基于C.Lin最近的一篇论文[关于支持向量机分解方法的收敛性(Tech.Rep.)。台湾大学(2000年),证明了算法的收敛性。


zbMATH参考文献(参考,1标准件)

显示第1到第20个结果,共66个。
按年份排序(引用)
  1. 宁汉文;张嘉明;冯婷婷;朱丽晶;田天海:基于控制的高维在线学习算法(2020)
  2. Bagirov,Adil;Taheri,Sona;Asadi,Soodabeh:分段线性回归的凸优化算法差异(2019)
  3. Bhattacharyya,Biswarup:不确定度量化实验设计的批判性评估(2018)
  4. Bacciu,Davide;Carta,Antonio;Gnesi,Stefania;Semini,Laura:在智能交通系统中使用机器学习进行短期预测的经验(2017)
  5. Kuang,Wei;Brown,Laura E.;Wang,Zhenlin:通过支持向量机和转移学习实现虚拟机中的选择交换机制(2015)ioport公司
  6. Bettebghor,Dimitri;Leroy,François Henri:重叠径向基函数插值用于特征值函数的光谱精确逼近及其在复合材料板屈曲中的应用(2014)
  7. 陈晓波;杨健;陈龙:基于线性规划的改进稳健稀疏双支持向量回归(2014)
  8. Demir,Begüm;Bruzzone,Lorenzo:支持向量回归的多准则主动学习方法(2014)ioport公司
  9. 董媛;高,单;陶,坤;刘继庆;王海拉:类属语义索引早、晚期融合方法的性能评价(2014)ioport公司
  10. Martínez,J.;Iglesias,C.;Matías,J.M.;Taboada,J.;Araújo,M.:使用基于支持向量机二进制分类器的DAGSSVM多分类算法解决石板瓦分类问题(2014年)
  11. Carrizosa,Emilio;Romero Morales,Dolores:监督分类和数学优化(2013)
  12. Chau,Asdrúbal López;Li,Xiaou;Yu,Wen:使用凸凹壳和支持向量机的大数据集分类(2013)ioport公司
  13. Srivastava,Ashok N.:使用虚拟传感器的绿色航空:案例研究(2012)ioport公司
  14. Vuppala,Anil Kumar;Rao,K.Sreenivasa;Chakrabarti,Saswat:通过精确检测元音起始点识别连续语音中的辅音元音单位(2012年)ioport公司
  15. 陈晓波;杨健;叶乔林;梁军:基于类内方差最小化的递归投影双支持向量机(2011)
  16. Edwin Lughofer;波格丹,Trawinski;Krzysztof,Trawinski;Kempa,Olgierd;Lasota,Tadeusz:关于住宅房地产估价的模糊建模算法(2011年)ioport公司
  17. 多类支持向量机(多类支持向量机,2011)
  18. 牛凌峰;袁亚翔:训练多类核向量机的并行分解算法(2011)
  19. Woodsend,Kristian;Gondzio,Jacek:在大规模线性支持向量机训练中利用可分性(2011)
  20. 郭,高;张,江社;张,盖英:一种稀疏化支持向量回归解的方法(2010)ioport公司