Когда у Длиба svm_c_linear_trainer лучше, чем у svm_c_linear_dcd_trainer?

Question

У меня проблема с машинным обучением из-за многомерных помеченных входов и относительно небольшого размера выборки.Использование очень крутого визуального руководства привело меня к методу svm_c_linear_trainer.Но из документации я понимаю, что аналогичный svm_c_linear_dcd_trainer имеет возможность «горячего старта», что звучит лучше, чем «холодный старт», например, внутри цикла перекрестной проверки.Тем не менее, svm_c_linear_dcd_trainer - это выбранный метод для решения проблемы другого типа, основным отличием которой является применение к немаркированным данным.

Будет ли проблема в использовании svm_c_linear_dcd_trainer для помеченных данных, или есть еще одна веская причина, почему svm_c_linear_trainer лучше?

Answer 1

Эта статья о SVM Dual-Descent, а также документация на веб-сайте DLib показывают, что svm_c_linear_dcd_trainer может использоваться в качестве замены для замены * 1007. * стандарта линейного СВМ.

Предполагается, что производительность выше (цитата из упомянутой статьи):

Эксперименты показывают, что наши метод быстрее, чем современные реализации.

... потому что алгоритм предположительно лучше использует оптимизацию и дает те же результаты, что и стандартные алгоритмы SVM.

Страница 6 и 7 в статье, в которой она сравнивается с другими алгоритмами для нескольких различных наборов данных, могут быть особенно интересны для вас.