用于大规模SVM问题的基于低密度割的树分解

当前信息增长的趋势表明,大规模的学习问题已成为常态。 在本文中,我们提出并分析了一种针对大规模SVM问题的基于低密度割的树分解方法,即LCD-SVM。 这里的基本思想是分而治之:使用决策树分解数据空间,并在分解区域上训练SVM。 具体而言,我们演示了低密度分离原理的应用,以设计一种用于快速生成高质量树的分割标准,从而最大程度地提高了SVM训练的好处。 在14个真实数据集上进行的大量实验表明,与最新方法相比,我们的方法可以显着改善训练时间,同时保持与其他方法(尤其是非常大规模的数据集)可比的测试准确性。