MỘT CẢI TIẾN SMO TĂNG TỐC HUẤN LUYỆN SVM

  • Huỳnh Văn Đức Khoa Tin học quản lý, Đại học Kinh tế Tp.HCM
  • Nguyễn Công Trí Khoa Toán – Thống kê, Đại học Kinh tế Tp.HCM

Abstract

Gần đây kỹ thuật Support Vector Machines (SVM) rất được quan tâm. Với kỹ thuật này, chúng ta phải giải bài toán quy hoạch toàn phương kích thước rất lớn. Thuật toán huấn luyện SMO (Sequential Minimal Optimization) [2] cho phép giải chính xác bài toán con trong mỗi bước lặp, qua đó thu được một phương án của bài toán đối ngẫu. Trong bài viết này, chúng tôi đưa ra một cải tiến SMO nhằm đạt hiệu quả tốt hơn về số lần lặp, số lần truy xuất đến hàm kernel và giá trị của hàm mục tiêu.

References

[1] Steve R.Gunn; Support Vector Machines for Classification and Regression; Technical Report, May -1998.
[2] John C. Platt; Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines; Technical Report MSR-TR-98-14, April-1998.
[3] S.S. Keerthi, S.K. Shevade, C. Bhattacharyya, K.R.K Murthy; Improvements to Platt’s SMO Algorithm for SVM Classifier Design; Technical Report CD-99-14, National University of Singapore, 1999.
[4] Andrew W. Moore; Training Support Vector Machines; Carnegie Mellon University, Nov-2001.
[5] T.Downs, K.E.Gates, A.Masters; Exact Simplification of Support Vector Solutions; Journal of Machine Learning Research 2, pp. 293-297, 2001.
Published
2014-11-28
How to Cite
ĐỨC, Huỳnh Văn; TRÍ, Nguyễn Công. MỘT CẢI TIẾN SMO TĂNG TỐC HUẤN LUYỆN SVM. JBIS, [S.l.], nov. 2014. Available at: <http://jbis.ueh.edu.vn/index.php/TSTHQL/article/view/34>. Date accessed: 22 july 2024.
Section
Bài viết

Keywords

Support Vector Machines; Sequential Minimal Optimization; quy hoạch toàn phương; điều kiện tối ưu