A general soft method for learning SVM classifiers with L1-norm penalty
Qing Tao a,c,∗ , Gao-Wei Wu b , Jue Wang c
一种基于L1惩罚的SVM分类器通用软学习方法
ABSTRACT
基于支持向量机(SVM)的几何解释,本文提出了一种通用技术,允许几乎所有现有的基于L2范数惩罚的几何算法,包括吉尔伯特算法、施莱辛格-科兹涅克(SK)算法和米切尔-德米扬诺夫-马洛泽莫夫(MDM)算法,实现了相应的学习L1-SVM分类器。本质上,由此产生的软算法是如何找到的 ϵ \epsilon ϵ-两个软凸壳之间的最佳最近点。理论分析表明,我们提出的软算法本质上是相应的现有硬算法的推广,因此,它们具有相同的收敛性和几乎相同的计算成本。作为一个具体的例子,问题的解决-研究了基于所提出的软MDM算法的支持向