v-软间隔罗杰斯特回归分类机

刘工在呢

摘 要：坐标下降(Coordinate Descent, CD)方法是求解大规模数据分类问题的有效方法，具有简单操作流程和快
速收敛速率。为了提高罗杰斯特回归分类器(Logistic Regression Classifier, LRC)的泛化性能，受 v-软间隔支持向
! z0 o  M8 F: o; S; Q- b/ I量机的启发，该文提出一种 v-软间隔罗杰斯特回归分类机(v-Soft Margin Logistic Regression Classifier, v-SMLRC)，
证明了 v-SMLRC 对偶为一等式约束对偶坐标下降 CDdual 并由此提出了适合于大规模数据的 v-SMLRC-CDdual。
所提出的 v-SMLRC-CDdual 既能最大化类间间隔，又能有效提高 LRC 的泛化性能。大规模文本数据集实验表明，
v-SMLRC-CDdual 分类性能优于或等同于相关方法。
关键词：罗杰斯特回归；泛化；坐标下降；对偶坐标下降
$ Q% r% C  x3 b4 t1 引言
在模式分类问题中，非线性分类器在处理线性
' |  A4 F# j4 X) x$ j不可分问题时可以取得较高的精度，但在面对大规
) Q3 c: `$ X' ^( `' b4 {模数据应用时，由于使用核方法和处理高阶 Hess 矩


# W5 @& V# o2 M$ X1 ?3 l% u- x1 d- d


6 F0 G, a0 H2 ?" V6 m/ d" ~7 x附件下载：

游客，如果您要查看本帖隐藏内容请回复

nolita

谢谢分享