通过对随机特征进行共识中心调整来支持向量机

支持向量机(SVM)是最流行的分类工具,但处理大量的数据集时,需要大量的内存资源和训练时间,通常在大并行并行环境下才能实现。提出一种新的并行SVM算法, RF-CCASVM,可在有限的计算资源上扩展SVM。首先,通过随机傅里叶映射,应用低维显示特征映射一致近似高斯核对应的无限维隐式特征映射,从而用线性SVM一致近似高斯核SVM。然后,提出一致中心调节的并行化方法。具体地,将数据集划分成多个子数据集,多个并行并行地在各自的子数据集上独立训练SVM。当各个子数据集上的最优超平面即将求出时,用由各个子集上获得的一致中心解取代当前解,继续在各子集上训练直到一致中心解在各个子集上达到最优。最后,标准数据集的对比实验验证了RF-CCASVM的正确性和有效性。