Gewichtete lineare Verlustmaschine mit großer Margenverteilung für die Musterklassifikation

Im Vergleich zur Unterstützungsvektormaschine hat die große Margenverteilungmaschine (LDM) eine bessere Verallgemeinerungsleistung. Die zentrale Idee der LDM besteht darin, das Margin-Mittel zu maximieren und gleichzeitig die Margin-Varianz zu minimieren. Aber die Rechenkomplexität der LDM ist hoch. Um die Rechenkomplexität der LDM zu reduzieren, wird eine gewichtete lineare Verlust-LDM (WLLDM) vorgeschlagen. Der Rahmen der WLLDM baut auf der LDM und dem gewichteten linearen Verlust auf. Der gewichtete lineare Verlust wird anstelle des Hinge-Verlusts in der WLLDM verwendet. Diese Modifikation kann das quadratische Programmierungsproblem in eine einfache lineare Gleichung umwandeln, was zu einer niedrigeren Rechenkomplexität führt. Somit hat die WLLDM das Potenzial, mit groß angelegten Datensätzen umzugehen. Die WLLDM ist in ihrem Prinzip der LDM-Algorithmus ähnlich, der die Margenverteilung optimieren und eine bessere Verallgemeinerungsleistung erzielen kann. Der WLLDM-Algorithmus wird mit anderen Modellen verglichen, indem Experimente an verschiedenen Datensätzen durchgeführt werden. Die Versuchsergebnisse zeigen, dass die vorgeschlagene WLLDM eine bessere Verallgemeinerungsleistung und eine schnellere Trainingsgeschwindigkeit hat.