LIBSVM库

LIBSVM是一个支持向量机(SVMs)的库。自2000年以来,我们一直在积极发展一揽子计划。其目的是帮助用户轻松地将支持向量机应用到他们的应用程序中。LIBSVM在机器学习等许多领域得到了广泛的应用。在本文中,我们将介绍LIBSVM的所有实现细节。对支持向量机优化问题的求解、理论收敛性、多类分类概率估计和参数选择等问题进行了详细讨论:http://dl.acm.org/citation.cfm?内径=1961199


zbMATH中的参考文献(参考 1043篇文章 参考)

显示1043的第21到40个结果。
按年份排序(引用)
  1. 张宁;吴佳佳;张立伟:凸复合规划的线性收敛的不确定近邻项优化ADMM及其应用(2020)
  2. 张德胜,稀疏算法;张德胜(音),基于稀疏的算法;张德胜,解决大型问题
  3. 萨姆哈兹姆,和巴西姆的应用;新的哈达姆和巴西姆的应用;巴沙姆和巴西姆的设计;新的哈达姆,哈撒姆;阿卜拉赫姆巴乔姆,巴沙伊姆;新设计
  4. Ahookhosh,Masoud;Neumaier,Arnold:求解高成本凸优化问题的子空间搜索最优次梯度算法(2019)
  5. Alves,M.Marques;Geremia,Marina:求解单调包含的不精确Douglas-Rachford方法和Douglas-Rachford Tseng的F-B四算子分裂法的迭代复杂性(2019)
  6. Amir M.Mir;Jalal A.Nasiri:LightTwinSVM:标准双支持向量机分类器的简单快速实现(2019)不是zbMATH
  7. Baumann,P.;Hochbaum,D.S.;Yang,Y.T.:领先的机器学习技术和两种新优化算法的比较研究(2019年)
  8. Capuano,German;Rimoli,Julian J.:智能有限元:一种新的机器学习应用程序(2019)
  9. 陈明帅;王,健;安,杰;詹,波华;卡普尔,迪帕克;詹,奈俊:无:学习非线性插值(2019)
  10. Christoph Mssel,Ludwig Lausser,Markus Maucher,Hans A.Kestler:分类器的多目标参数选择(2019)不是zbMATH
  11. Cristofari,Andrea:单线性约束问题的几乎循环2坐标下降法(2019)
  12. Del Vecchio,Carmen;Fenu,Gianfranco;Pellegrino,Felice Andrea;Di Foggia,Michele;Quatrale,Massimo;Benincasa,Luca;Iannuzzi,Stefania;Acenese,Alessandro;Corera,Pasquale;Glielmo,Luigi:高温合金熔模铸造优化的支持向量机(2019年)
  13. Demyanov,Vasily;Arnold,Dan;Rojas,Temistocles;Christie,Mike:储层预测中的不确定性量化。二: 地质场景中的不确定性处理(2019年)
  14. Devarakonda,Aditya;Fountoulakis,Kimon;Demmel,James;Mahoney,Michael W.:在原始和双块坐标下降法中避免通信(2019年)
  15. 董方丽;王晓洲:基于贝叶斯多核分组学习的多维数据集分类器(2019)
  16. Fercoq,Olivier;Bianchi,Pascal:具有大步长和可能不可分离函数的坐标下降原对偶算法(2019)
  17. Freno,Brian A.;Carlberg,Kevin T.:非线性方程组参数化近似解的机器学习误差模型(2019)
  18. Gao,Wenbo;Goldfarb,Donald:拟牛顿方法:自洽函数的无线搜索超线性收敛(2019)
  19. García Nieto,P.J.;García-Gonzalo,E.;Sánchez-Lasheras,F.;Paredes-Sánchez,J.P.;Riesgo Fernández,P.:通过机器学习技术预测生物质烘干过程中较高的热值(2019年)
  20. Ge,Li;Liu,Jiagou;Zhang,Yusen;Dehmer,Matthias:使用广义混沌博弈表示法识别抗癌肽(2019)