SMO算法总结

SMO算法是用于支持向量机SVM解决对偶问题的一种启发式方法,通过选择违反KKT条件的变量进行优化。算法分为外层循环和内层循环,外层循环选择第一个变量,内层循环选择第二个变量,目标是使两个变量的二次规划问题得到解决。最终,SMO用于预测的函数基于优化后的α和核函数。
摘要由CSDN通过智能技术生成

1.概述

SMO(Sequentil Minimal Optimization)算法在支持向量机中用来求解对偶问题,即
min 12Ni=1Nj=1αiαjyiyjK(xi,xj)Ni=1αi
s.t.αiyi=0
0αiyiC
在这个问题中,变量是拉格朗日乘子 α ,一个 αi 对应一个样本点 (xi,yi) ,变量总数等于样本数量N。
SMO算法是一个启发式的算法,它的基本思路是:如果所有变量的解都满足KKT条件,即:

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值