We formulate the Multiple Kernel Learning (abbreviated as MKL) problem for the support vector machine with the infamous $(0,1)$-loss function. Some first-order optimality conditions are given and then exploited to develop a fast ADMM solver for the nonconvex and nonsmooth optimization problem. A simple numerical experiment on synthetic planar data shows that our MKL-$L_{0/1}$-SVM framework could be promising.
翻译：
相关内容
在机器学习中，支持向量机（SVM，也称为支持向量网络）是带有相关学习算法的监督学习模型，该算法分析用于分类和回归分析的数据。支持向量机（SVM）算法是一种流行的机器学习工具，可为分类和回归问题提供解决方案。给定一组训练示例，每个训练示例都标记为属于两个类别中的一个或另一个，则SVM训练算法会构建一个模型，该模型将新示例分配给一个类别或另一个类别，使其成为非概率二进制线性分类器（尽管方法存在诸如Platt缩放的问题，以便在概率分类设置中使用SVM）。SVM模型是将示例表示为空间中的点，并进行了映射，以使各个类别的示例被尽可能宽的明显间隙分开。然后，将新示例映射到相同的空间，并根据它们落入的间隙的侧面来预测属于一个类别。
专知会员服务
34+阅读 · 2019年10月17日
Arxiv
0+阅读 · 2023年5月21日
Arxiv
0+阅读 · 2023年5月21日
相关VIP内容
专知会员服务
34+阅读 · 2019年10月17日
相关资讯
微信扫码咨询专知VIP会员