支持向量机训练算法实现及其改进
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-5页 |
| 目录 | 第5-7页 |
| 图表目录 | 第7-8页 |
| 1 绪论 | 第8-22页 |
| ·理论背景 | 第8-11页 |
| ·统计学习理论 | 第11-13页 |
| ·支持向量机理论基础 | 第13-19页 |
| ·最优分类面 | 第13-15页 |
| ·线性SVM | 第15-18页 |
| ·非线性SVM | 第18-19页 |
| ·理论总结 | 第19-20页 |
| ·本文的主要工作 | 第20-22页 |
| ·主要工作简介 | 第20-21页 |
| ·本文的组织结构 | 第21-22页 |
| 2 支持向量机训练算法综述 | 第22-30页 |
| ·引言 | 第22页 |
| ·最优化方法 | 第22-23页 |
| ·适合于大型问题的训练算法 | 第23-28页 |
| ·最优化条件 | 第23-24页 |
| ·Chuncking算法 | 第24-26页 |
| ·分解(Decomposing)算法 | 第26-28页 |
| ·k-重交叉验证 | 第28-29页 |
| ·本章小结 | 第29-30页 |
| 3 SVMliglat与SMO | 第30-42页 |
| ·SVMliglat | 第30-33页 |
| ·工作集选择策略 | 第30-31页 |
| ·求解QP子问题 | 第31页 |
| ·收缩(Shrinking) | 第31-32页 |
| ·缓存(Caching) | 第32-33页 |
| ·SMO | 第33-41页 |
| ·两点解析解 | 第33-39页 |
| ·更新偏置 | 第39页 |
| ·更新错误缓存 | 第39-40页 |
| ·工作集的选择策略 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 4 基于集合划分的SMO算法(SSMO) | 第42-54页 |
| ·引言 | 第42页 |
| ·缓存的改进 | 第42-44页 |
| ·一些定义 | 第44-46页 |
| ·SSMO算法 | 第46-48页 |
| ·集合更新算法 | 第48-49页 |
| ·收缩(shrinking) | 第49-50页 |
| ·活动集扩张(unshrinking) | 第50-51页 |
| ·非活动集中的KKT违反对的查找 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 5 试验及结果分析 | 第54-62页 |
| ·说明 | 第54页 |
| ·Adult数据集 | 第54-57页 |
| ·Web数据集 | 第57-60页 |
| ·试验结果分析 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 6 结束语 | 第62-64页 |
| ·本文总结 | 第62页 |
| ·进一步的工作 | 第62-64页 |
| 致谢 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 附录A SMO伪代码 | 第70-72页 |
| 附录B 硕士期间参与的科研项目 | 第72页 |
