【论文笔记】The Entire Regularization Path for the Support Vector Machine

The Entire Regularization Path for the Support Vector Machine

---

Abstract

支持向量机(SVM)是一种广泛使用的分类方法，对于二分类支持向量机模型的拟合存在许多有效的方法。然而，用户必须为调试参数提供初始值：正则化代价参数和核参数。常见的做法是使用一个初始值作为代价参数，这通常会导致模型存在不小局限。在本文中，作者认为代价参数的选择是至关重要的。然后，作者提出一种正则化参数的解路算法，可以适用于求解支持向量机最优解的完整解路，基本上是相同的计算成本拟合一个支持向量机模型。作者举例说明所提出的算法，并使用所提出的表示法，以进一步了解支持向量机的最优解的范围。

下为SVM正则化解路问题初始化笔记：

Reference

1. Hastie, Trevor & Rosset, Saharon & Tibshirani, Rob & Zhu, Ji. (2004). The Entire Regularization Path for the Support Vector Machine. (🔗: http://www.jmlr.org/papers/volume5/hastie04a/hastie04a.pdf)