多輸出數據支持向量回歸學習算法
大小：0.72 MB 人氣： 2017-12-05 需要積分：1
針對基于遞推下降法的多輸出支持向量回歸算法在模型參數擬合過程中收斂速度慢、預測精度低的情況，使用一種基于秩2校正規則且具有二階收斂速度的修正擬牛頓算法（ BFGS）進行多輸出支持向量回歸算法的模型參數擬合，同時為了保證模型迭代過程中的下降量和全局收斂性，應用非精確線性搜索技術確定步長因子。通過分析支持向量機（SVM）中核函數的幾何結構，構造數據依賴核函數替代傳統核函數，生成多輸出數據依賴核支持向量回歸模型。將模型與基于梯度下降法、修正牛頓法擬合的多輸出支持向量回歸模型進行對比。實驗結果表明，在200個樣本下該算法的迭代時間為72. 98 s，修正牛頓法的迭代時間為116. 34 s，遞推下降法的迭代時間為2065. 22 s。所提算法能夠減少模型迭代時間，具有更快的收斂速度。
非常好我支持^.^
(0) 0%
不好我反對
(0) 0%
下載地址
多輸出數據支持向量回歸學習算法下載
相關電子資料下載
- 大模型卷價格，向量數據庫“卷”什么？ 1556
- 開源芯片系列講座第20期：基于RISC-V向量擴展的開源GPGPU軟硬件設計 140
- 如何利用一些小技巧實現SVM的增量式訓練 321
- 深度解析機器學習各大模型原理 1144
- 泛林集團宣布推出全球首款面向量產的脈沖激光沉積（PLD）機臺 715
- 搭載英偉達GPU，全球領先的向量數據庫公司Zilliz發布Milvus2.4向量數據庫 285
- 飛騰信息技術有限公司：復數向量卷積處理技術及設備 183
- Zilliz攜手大模型生態企業玩轉GDC 2024，向量數據庫和RAG成行業焦點 214
- 與NVIDIA深度參與GTC，向量數據庫大廠Zilliz與全球頂尖開發者共迎AI變革時刻 215
- 基于計算機視覺與機器學習技術的跌倒風險預測 227