基于核相似性删减策略的支持向量回归算法

李英达(),谢宗霞

天津大学软件学院, 天津 300350

收稿日期:2017-08-24出版日期:2019-06-20发布日期:2019-06-27

作者简介:李英达(1993—)，男，黑龙江哈尔滨人，硕士研究生，主要研究方向为机器学习与数据挖掘.E-mail：18222289139@163.com
基金资助:国家基金面向大数据的粒计算理论与方法资助项目(61432011)

Support vector regression algorithm based on kernel similarity reduced strategy

Yingda LI(),Zongxia XIE

School of Computer Software, Tianjin University, Tianjin 300350, China

Received:2017-08-24Online:2019-06-20Published:2019-06-27


Supported by:国家基金面向大数据的粒计算理论与方法资助项目(61432011)

摘要/Abstract

摘要： 在核相似性基础上结合随机梯度下降算法提出支持向量删减策略(SVs_reduced strategy, SRS);引入核相似性删减冗余的支持向量来提高大型非线性支持向量回归的效率。在每次随机梯度下降的迭代中,如果新的样本被认为是一个支持向量,那么就会计算它和其它支持向量间的相似性。如果相似性大于一个设定的阈值,那么就会删减这个支持向量。基于UCI数据集, LIBSVM数据集和风速数据集的试验结果表明,与其它流行算法相比,这个策略可以十分高效地解决大型支持向量回归问题。


PDF全文下载地址:

http://gxbwk.njournal.sdu.edu.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=1821