作者：刘泽燊; 潘志松并行计算支持向量机大规模数据层叠模型spark
摘要：随着数据规模的不断增加,支持向量机（SVM）的并行化设计成为数据挖掘领域的一个研究热点。针对SVM算法训练大规模数据时存在寻优速度慢、内存占用大等问题,提出了一种基于Spark平台的并行支持向量机算法（SP-SVM）。该方法通过调整层叠支持向量机（Cascade SVM）的合并策略和训练结构,并利用Spark分布式计算框架实现;其次,进一步分析并行操作算子的性能,优化算法并行化实现方案,有效克服了层叠模型训练效率低的缺点。实验结果表明,新的并行训练方法在损失较小精度的前提下,在一定程度上减少了训练时间,能够很好地提高模型的学习效率。
注：因版权方要求，不能公开全文，如需全文，请咨询杂志社
