线性支持向量机

LIbSVM是支持向量机(SVM)的一个库。自2000以来,我们一直在积极发展这项计划。其目的是帮助用户容易地将SVM应用到他们的应用中。LBSVM在机器学习等许多领域得到了广泛的应用。在本文中,我们提出了所有的LIbSVM的实现细节。详细讨论了求解SVM优化问题、理论收敛、多类分类概率估计和参数选择等问题:HTTP://DL.ACM.Org/CITION.CFM?ID=1961199


ZBMaCT中的参考文献(977篇文章中引用)

显示结果1至20的977。
按年份排序(引文
  1. AgGARWAL,CARU:线性代数和机器学习的优化。教科书(2020)
  2. 常,传宇;Srinivasan,Kathavava;胡,Hui Ya;Tsai,Yuh Shyan;Po.O.AgWall,Punjal:SFFS-支持向量机(SVM)基于ACM分割的DCE-MRI诊断前列腺癌(2020)
  3. Fercoq,奥利维尔;瞿,郑:用粗糙强凸估计重新启动加速坐标下降法(2020)
  4. 古斯塔沃恩里克de罗萨,乔圣保罗爸爸Alexandre Xavier Falc Alexandre Xavier Falc:opfython:一个Python启发的最佳路径森林分类器(2020)阿西夫
  5. Heider,YouSEF;王,Kun;Sun,Wuej:SO(3)-各向异性弹塑性材料的基于已知图的深层神经网络不变性(2020)
  6. 江,Wi;SIDDIQI,Sululh:支持向量机的随机梯度下降和双坐标下降的超参数优化(2020)
  7. 江,Zehua;刘,柯如;杨,Xibei;禹,华龙;藤田,Hamido;乾,裕华:监督邻域属性约简的加速器(2020)
  8. Lindeberg,托尼:基于级联的尺度归一化微分表达式可证明的尺度协变连续分层网络(2020)
  9. 李,徐东;Sun,DEFEN;THH,Kim Chuan:关于BikkHOF多面体(2020)上的广义雅可比投影的有效计算
  10. 吕,Didi;周,清平;Choi,Jae Kyu;李,Jinglai;张,Xiaoqun:非局部电视高斯先验在贝叶斯逆问题和有限CT重建中的应用(2020)
  11. Mishchenko,康斯坦丁;IutZeler-Fralk;Malick,Jer R.O.Me:一种分布式柔性延迟容忍的近端梯度算法(2020)
  12. Atsuya,小川,京基:深度学习增强的表面接触式搜索方法(2020)
  13. 帕克,Seonho;Jung,Seung Hyun;帕达洛斯,Panos M.:结合非凸优化的随机自适应立方正则化和负曲率(2020)
  14. 王,Guoqiang;魏,Xinyuan;禹,博城;徐,李军:大规模稀疏最小二乘问题的一种有效的近块坐标同伦方法(2020)
  15. 张,Yangjing;张,宁;孙,德峰,Toh,Kim Chuan:一种求解大规模稀疏群Laso问题的高效Hessian算法(2020)
  16. 阿布杜胡塞因,Sadiq H.;拉姆利,Abd Rahman;马莫德,Basheera M.;萨里潘,M. Iqbal;Al Haddad,S. A. R.;Jassim,Wissam A.:一种新的混合形式的PoT和T契BeHf多项式:设计和应用(2019)
  17. AHOOKHOSH,MasHOW;Neumaier,阿诺德:一个具有子空间搜索的最优次梯度算法用于代价优化的凸优化问题(2019)
  18. 阿尔维斯,M. Marques;GeAlima,Murina:一个不精确Douglas Rachford方法的迭代复杂性和一个用于求解单调包含的Douglas Rachford Tseng F-B四算子分裂方法(2019)
  19. Amir M. Mir;Jalal A. Nasiri:LtxTimsVM:标准双支持向量机分类器的简单快速实现(2019)不是ZB数学
  20. Baumann,P;HoobBum,D. S.;Yang,Y. T.:领先机器学习技术和两种新的优化算法的比较研究(2019)