基于级联SVM的并行SVM算法研究
机器学习
2022-03-14 v1
摘要
级联SVM（CSVM）可将数据集分组并并行训练子集，大幅降低训练时间与内存消耗。然而，使用该方法获得的模型精度与直接训练相比存在一定误差。为减小误差，我们分析分组训练中的误差成因，并总结出理想条件下无误差的分组方式。提出一种平衡级联SVM（BCSVM）算法，其在分组后平衡子集中的样本比例，以确保子集中的样本比例与原始数据集相同。同时证明BCSVM算法所得模型的精度高于CSVM。最后使用两个常用数据集进行实验验证，结果表明使用BCSVM算法获得的精度误差由CSVM的1%降至0.1%，降低了一个数量级。
引用
@article{arxiv.2203.05768,
title = {Research on Parallel SVM Algorithm Based on Cascade SVM},
author = {Yi Cheng and Liu and XiaoYan and Liu},
journal= {arXiv preprint arXiv:2203.05768},
year = {2022}
}
备注
12 pages,5 figures