SVM 论文阅读笔记
原文:Sequential Minimal Optimization: A Fast Algorithm for Training Support Vector Machines
作者:John C.Platt
时间: 1998年
主要内容:
文章解决了什么问题?
SVM训练算法在大规模问题上收敛很慢,且十分复杂、难以实现,运算过程中需要维持一个
n
2
n^2
n2个元素的矩阵,当年(1998),问题规模超过4000个样本时,就超过了当时的内存大小(128MB)。
曾经的训练算法之一的Chunking使得算法从维持
n
2
n^2
n2个元素的矩阵降低到维持一个非0拉格朗日乘子数平方的元素数,但仍然无法解决大规模问题(内存不足)。
1997年Osuna提出了一个训练方法,并证明了解二次规划问题可以化归为解决其子问题,只要每次向子问题中增加一个违反KKT条件的样本即可。另一方面,为了让训练方法适应到任意规模的二次规划问题,Osuna在每次加入一个不满足KKT条件的样本同时,剔除一个样本以维持矩阵的大小恒定。存在的问题是每次为了一个样本运行整个二次规划数值算法,效率十分底下,而且会出现很多数值精度问题。
用了什么方法?
序列最小优化算法(SMO),包括两个部分
- 一个解决两个拉格朗日乘子优化的分析方法
- 一个选择优化乘子的启发式方法。
效果如何
- 快,比chunking算法约快1阶
- 占用内存小,可以解决更大规模的问题
- 使用分析方法,不使用数值的二次规划方法
- 形式简单,容易实现
- 使用稀疏方法的加速效果显著
存在什么不足
需要更多的基准测试来使SMO成为一个标准的SVM训练方法。
细节
算法流程图如下所示
算法一,主步骤
算法二,选定第二个拉格朗日乘子的方法
其他
验证算法时需要注意的地方
- 保证对比算法是一个合适的benchmark
- 保证对比算法的代码实现与其公认的效率是符合的
- 保证两个算法的精度相同
- 保证两个算法解决的任务是合适的
- 使用了两个公开数据集和两个人工数据集,其中第一个人工数据集线性可分,另一个是噪音。
- 使用log-log图近似估计了算法的复杂度
- 仅选择了一组在验证集上表现较好的超参数