การพัฒนาและออกแบบซัพพอร์ตเวกเตอร์แมชชีน (SVM) ที่มีประสิทธิภาพสำหรับการจำแนกประเภทข้อมูลขนาดใหญ่

บทคัดย่อ

ในบทความนี้ เราขอเสนออัลกอริธึม stochastic gradient descent ที่เรียกว่าเครื่องเวกเตอร์พินบอลสนับสนุนทั่วไปตามวิธีการแบบ stochastic gradient descent (SG-GPSVM) เพื่อแก้ปัญหาการจำแนกข้อมูล แนวทางนี้ได้รับการพัฒนาโดยการแทนที่ฟังก์ชันการสูญเสีย hinge loss ในเครื่องสนับสนุนเวกเตอร์แบบธรรมดา (SVM) ด้วยฟังก์ชันการสูญเสียพินบอลทั่วไป เราได้แสดงให้เห็นว่า SG-GPSVM เป็นคอนเวอร์เจนซ์ และใกล้เคียงกับเวกเตอร์เครื่องสนับสนุนพินบอลทั่วไป (GPSVM) นอกจากนี้ เราใช้วิธีเคอร์เนลสมมาตรเพื่อประเมินประสิทธิภาพของ SG-GPSVM เป็นตัวแยกประเภทแบบไม่เชิงเส้น อัลกอริธึมที่เราแนะนำนั้นเหนือกว่าวิธีการที่มีอยู่ในแง่ของความไวต่อการรบกวนของ noise ความเสถียรในการสุ่มตัวอย่างซ้ำ และ ความแม่นยำสำหรับสถานการณ์ข้อมูลขนาดใหญ่ ตามผลการทดลอง

คำสำคัญ

ระดับความพร้อมของโครงการ