基于不同损失和距离函数的乘更新分类算法

摘要：

与批处理的学习算法相比较，在线预测的算法由于在大样本集上具有预测准确性高、时间的空间复杂度小，因此占有非常大的优势。对于Warmuth与Jivinen提出的保守性和权衡正确性的在线学习框架，已经得到相当广泛的应用，但是在他们所提出的指数梯度下降算法以及梯度下降算法中，对于目标函数中的损失函数，在其求导过程中使用近似步骤将会造成在线学习结果的恶化。根据对偶的最优化理论，基于不同损失函数与距离函数，提出了变更新分类算法。通过一系列的实验分析与研究，结果表明，该算法使得预测准确率得到了很大的提高，从而验证了该算

关键词：乘权更新、在线学习、非近似更新、分类算法

所属期刊栏目：31

分类号：TP393;TP181(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61273127,61074077;国家“973”计划资助项目2012CB312901,2012CB312905;国家“863”计划资助项目2011AA01A103

在线出版日期：2014-05-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：344-347,383