求解非半正定核Huber-支持向量回归机问题的序列最小最优化算法

序列最小最优化(SMO)算法是求解大型支持向量机(SVM)问题的有效算法.已有的算法都要求核函数是正定的或半正定的,从而使其应用受到限制.针对这种缺点,本文提出一种新的的SMO算法,可求解非半正定核Huber-SVR问题.提出的算法在保证收敛的前提下可使非半正定Huber-SVR能够达到比较理想的回归精度,因而具有一定的理论意义和实用价值.

非半正定核条件下v-SVR的SMO算法

大数据背景下,如何对海量数据进行挖掘是目前研究的一个热点问题。序列最小最优化(SMO)算法是实现支持向量机(SVM)对大数据挖掘的有效算法。现有算法假定核函数是正定或半正定,限制了核函数的选择。为解决这一不足,提出了针对非半正定核v-SVR的SMO算法。所提算法不仅适用于非半正定核,而且具有较好的回归精度。