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
5 h+ S7 P5 `- |+ f% @3 N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
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)，
0 s( F& ^4 b) L$ l& j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。
6 y/ q8 W' b: Z  t* @- J6 S0 |关键词：罗杰斯特回归；泛化；坐标下降；对偶坐标下降
7 x/ U, C( y+ s3 o2 K1 引言
+ ~; M; ]% Y& d0 W在模式分类问题中，非线性分类器在处理线性
  U* z3 X/ c6 J2 A不可分问题时可以取得较高的精度，但在面对大规
模数据应用时，由于使用核方法和处理高阶 Hess 矩





附件下载：

游客，如果您要查看本帖隐藏内容请回复

( S8 S2 [1 s* L* r2 e

nolita

谢谢分享