【摘要】：TWSVM作为传统SVM的改进版，在算法复杂度方面得到了很大的降低，同时也可以得到与传统SVM相当的分类准确率。影响TWSVM性能的因素有很多，下面对影响TWSVM性能的主要因素进行分析。同时为进一步在大规模数据集上应用，将核减少技术应用到STWSVM中，进一步提升算法的效率。影响TWSVM精确解的因素在实际应用中，经常遇到求解大规模数据问题。从而，本章通过平滑技术对TWSVM进行变换，使得不用求解对偶问题，直接求其原始问题。
TWSVM作为传统SVM的改进版，在算法复杂度方面得到了很大的降低，同时也可以得到与传统SVM相当的分类准确率。影响TWSVM性能的因素有很多，下面对影响TWSVM性能的主要因素进行分析。
(1)影响TWSVM时间复杂度的因素
当求解TWSVM的对偶问题QPPs时，需要对矩阵H′H和Q′Q求逆运算，即它需要对大小为(n+1)×(n+1)的矩阵，在模型训练前求解两次矩阵的逆运算。其中，n≪m(维度远远小于样本数)，这意味着对于维度比较高的数据集(n的值很大)，将其应用到实践中是比较困难或是不可能实现的。为了解决该问题，本章提出了平滑TWSVM(Smooth TWSVM，STWSVM)，它不需要求解逆矩阵两次，降低了算法的复杂度。同时为进一步在大规模数据集上应用，将核减少技术应用到STWSVM中，进一步提升算法的效率。(https://www.xing528.com)
(2)影响TWSVM精确解的因素
在实际应用中，经常遇到求解大规模数据问题。虽然计算原始问题的时间复杂度与计算对偶问题的时间复杂度一样，但Chappelle认为在大规模数据集上求解原始问题的QPPs具有一些优势［155］。因为当数据集的规模很大时，计算SVM的精确解，不可能实现，不得不寻找其近似解。但是对偶问题的近似解往往不能很好地逼近原始问题的精确解，不能满足用户的最终需求。从而，本章通过平滑技术对TWSVM进行变换，使得不用求解对偶问题，直接求其原始问题。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
