This paper proposes a new algorithm

This paper proposes a new algorithm for training support vector machines: Sequential Minimal Optimization , or SMO . Training a support vector machine requires the solution of a very large quadratic programming (QP) optimization problem. SMO breaks this large QP problem into a series of smallest possible QP problems. These small QP problems are solved analytically, which avoids using a time-consuming numerical QP optimization as an inner loop. The amount of memory required for SMO is linear in the training set size, which allows SMO to handle very large training sets. Because matrix computation is avoided, SMO scales somewhere between linear and quadratic in the training set size for various test problems, while the standard chunking SVM algorithm scales somewhere between linear and cubic in the training set size. SMO’s computation time is dominated by SVM evaluation, hence SMO is fastest for linear SVMs and sparse data sets. On real- world sparse data sets, SMO can be more than 1000 times faster than the chunking algorithm.

ผลลัพธ์ (ไทย) 1:

กระดาษนี้เสนออัลกอริธึมใหม่สำหรับการฝึกอบรมสนับสนุนเครื่องเวกเตอร์: เพิ่มประสิทธิภาพน้อยที่สุดตามลำดับ หรือ SMO เครื่องเวกเตอร์สนับสนุนการฝึกอบรมต้องการแก้ปัญหาของสมการกำลังสองมีขนาดใหญ่มาก (QP) ปัญหาการเพิ่มประสิทธิภาพการเขียนโปรแกรม SMO แบ่งปัญหา QP ใหญ่นี้เป็นชุดของปัญหา QP เป็นไปได้น้อยที่สุด QP ปัญหาเหล่านี้ได้รับการแก้ไข analytically ซึ่งหลีกเลี่ยงการใช้เพิ่มประสิทธิภาพ QP ตัวเลขที่ใช้เวลานานเป็นการวนรอบภายใน หน่วยความจำที่จำเป็นสำหรับ SMO เป็นเส้นตรงในการฝึกอบรมกำหนดขนาด ซึ่งช่วยให้ SMO จัดการชุดการฝึกอบรมที่มีขนาดใหญ่มาก เนื่องจากหลีกเลี่ยงการคำนวณเมทริกซ์ เครื่องชั่ง SMO อยู่ระหว่างเส้นตรง กับกำลังสองในการฝึกอบรมกำหนดขนาดสำหรับปัญหาต่าง ๆ ในการทดสอบ ในขณะมาตรฐาน chunking เครื่องชั่งอัลกอริทึม SVM ที่ใดที่หนึ่งระหว่างลูกบาศก์ในการฝึก และเส้นกำหนดขนาด เวลาคำนวณของ SMO ถูกครอบงำ โดย SVM ประเมิน จึง SMO จะเร็วที่สุดสำหรับ SVMs เชิงเส้นและชุดข้อมูล sparse บนชุดข้อมูลห่างจริง SMO ได้มากกว่า 1000 ครั้งเร็วกว่าอัลกอริทึม chunking

ผลลัพธ์ (ไทย) 2:

กระดาษนี้นำเสนอขั้นตอนวิธีการใหม่สำหรับการสนับสนุนการฝึกอบรมเครื่องจักรเวกเตอร์: การเพิ่มประสิทธิภาพน้อยที่สุดตามลำดับหรือ SMO การฝึกอบรมการสนับสนุนเครื่องเวกเตอร์ต้องใช้วิธีการแก้ปัญหาของการเขียนโปรแกรมกำลังสองขนาดใหญ่มาก (QP) ปัญหาการเพิ่มประสิทธิภาพ SMO แบ่งปัญหา QP นี้มีขนาดใหญ่เป็นชุดของปัญหาที่เป็นไปได้ QP เล็กที่สุด ปัญหาเหล​​่านี้ QP ขนาดเล็กที่มีการแก้ไขการวิเคราะห์ที่หลีกเลี่ยงการใช้เวลานานในการเพิ่มประสิทธิภาพ QP ตัวเลขเป็นห่วงภายใน จำนวนหน่วยความจำที่จำเป็นสำหรับ SMO เป็นเส้นตรงในขนาดการฝึกอบรมชุดซึ่งจะช่วยให้ SMO ที่จะจัดการกับชุดการฝึกอบรมมีขนาดใหญ่มาก เพราะการคำนวณเมทริกซ์จะหลีกเลี่ยง SMO เครื่องชั่งน้ำหนักอยู่ระหว่างเส้นและสมการกำลังสองในขนาดการฝึกอบรมชุดทดสอบสำหรับปัญหาต่าง ๆ ในขณะที่มาตรฐาน chunking อัลกอริทึม SVM เครื่องชั่งน้ำหนักอยู่ระหว่างเส้นและลูกบาศก์ขนาดการฝึกอบรมชุด เวลาในการคำนวณของ SMO ถูกครอบงำโดยการประเมินผล SVM จึง SMO เป็นที่เร็วที่สุดสำหรับจำแนกเชิงเส้นและชุดข้อมูลเบาบาง ในโลกจริงเบาบางชุดข้อมูล SMO ได้มากกว่า 1000 ครั้งเร็วกว่าอัลกอริทึม chunking

ผลลัพธ์ (ไทย) 3:

บทความนี้เสนอวิธีใหม่สำหรับการฝึกอบรมเครื่องเวกเตอร์สนับสนุน : ลำดับน้อยที่สุดเพิ่มประสิทธิภาพหรือ SMO การฝึกอบรมสนับสนุนเวกเตอร์เครื่องจักรต้องมีโซลูชั่นของขนาดใหญ่มากกำลังสองโปรแกรม ( qp ) ปัญหาการเพิ่มประสิทธิภาพ SMO แบ่ง qp ปัญหาขนาดใหญ่นี้เป็นชุดของเล็กที่สุด qp ปัญหา เหล่านี้มีขนาดเล็ก qp แก้ไขวิเคราะห์ปัญหาที่หลีกเลี่ยงการเพิ่มประสิทธิภาพ qp เชิงตัวเลขที่ใช้เวลานาน เป็นวงภายใน ปริมาณของหน่วยความจำที่จำเป็นสำหรับ SMO เป็นเส้นตรงในการตั้งค่าขนาดซึ่งช่วยให้ SMO กับชุดฝึกที่มีขนาดใหญ่มาก เพราะการคำนวณเมทริกซ์คือหลีกเลี่ยง SMO ชั่งอยู่ระหว่างเชิงเส้นกำลังสอง ในการฝึกอบรมชุดทดสอบปัญหาต่าง ๆ ในขณะที่มาตรฐาน chunking SVM ขั้นตอนวิธีชั่งอยู่ระหว่างเส้นและลูกบาศก์ในการฝึกอบรมชุดขนาด เวลาการคำนวณ SMO เป็น dominated โดยการประเมิน SVM จึง SMO คือที่เร็วที่สุดสำหรับชุดข้อมูลแบบเชิงเส้น และป่าโปร่ง จริง - โลกชุดข้อมูลหร็อมแหร็ม , SMO ได้มากกว่า 1000 ครั้งเร็วกว่า chunking ขั้นตอนวิธี