论文部分内容阅读
序贯最小优化算法（SMO）是支持向量机（SVM）训练算法中一种十分有效的改进方法，但针对大规模样本数据时，SMO训练速度仍比较慢。为了提高训练速度，在基本保持训练精度的前提下，提出了一种改进优化策略：即跳过部分与精度无关的向量集、提前结束循环、松弛KKT条件以便收缩工作集。经过几个著名的数据集的试验结果表明，此策略可以大幅缩短SMO的训练时间，并且精度没有明显变化。