基于连续过松弛方法的支持向量回归算法

支持向量回归(supportvectorregression,简称svr)训练算法需要解决在大规模样本条件下的凸二次规划(quadraticprogramming,简称qp)问题.尽管此种优化算法的机理已经有了较为明确的认识,但已有的支持向量回归训练算法仍较为复杂且收敛速度较慢.为解决这些问题.首先采用扩展方法使svr与支撑向量机分类(svc)具有相似的数学形式,并在此基础上针对大规模样本回归问题提出一种用于svr的简化sor(successiveoverrelaxation)算法.实验表明,这种新的回归训练方法在数据量较大时,相对其他训练方法有较快的收敛速度,特别适于在大规模样本条件下的回归训练算法设计.