El algoritmo de aprendizaje de clasificación ha cobrado importancia en los últimos años debido a su exitosa aplicación en la recuperación de información, el sistema de recomendación y la biología computacional, entre otros. La máquina de vectores de soporte de clasificación (RankSVM) es uno de los modelos de clasificación más avanzados y se ha utilizado favorablemente. El RankSVM no lineal (RankSVM con kernels no lineales) puede ofrecer una mayor precisión que el RankSVM lineal (RankSVM con un kernel lineal) para problemas de clasificación no lineales complejos. Sin embargo, los métodos de aprendizaje para RankSVM no lineal siguen consumiendo mucho tiempo debido al cálculo de la matriz del kernel. En este trabajo, proponemos un algoritmo de clasificación rápido basado en la aproximación del kernel para evitar el cálculo de la matriz del kernel. Exploramos dos tipos de métodos de aproximación del núcleo, a saber, el método de Nyström y las características aleatorias de Fourier. El método de Newton truncado primario se utiliza para optimizar la función objetivo L2-loss (Hinge-loss al cuadrado) del modelo de clasificación después de la aproximación del núcleo no lineal. Los resultados experimentales demuestran que nuestro método propuesto obtiene una velocidad de entrenamiento mucho más rápida que el kernel RankSVM y logra un rendimiento comparable o mejor que los algoritmos de clasificación más avanzados.
Esta es una versión de prueba de citación de documentos de la Biblioteca Virtual Pro. Puede contener errores. Lo invitamos a consultar los manuales de citación de las respectivas fuentes.
Artículo:
Un algoritmo mejorado de búsqueda de cuco con codificación híbrida para problemas de mochila 0-1
Artículo:
Manejo de los tejidos blandos y duros en la terapia de implantes-Parte II: Conceptos protésicos
Artículo:
Diseño de un algoritmo de extracción automática de puntos de conocimiento para MOOCs
Artículo:
Algoritmo de control de topología con equilibrio energético optimizado entre capas para redes de área local (WSN)
Artículo:
Microalgas que promueven el futuro : aplicación y uso