标签：并行支持向量机 svm 机器学习 分布式 mapreduce
纠错张智威老师关于并行支持向量机的文章：
《PSVM:Parallelizing Support Vector Machines on Distributed Computers》，
在并行原始对偶内点算法中，迭代步长的符号非常混乱，所以，我这里又重新解了一遍。
—————————————————————————————————————————————————————
支持向量机的原问题的对偶问题模型：
其中：
我们把上述模型，变成用原始对偶问题求解凸二次规划问题的标准形式：
下面给出上述模型的Lagrange函数：
然后，我们给出上述最优化问题最优解满足的kuhn-Tucker条件：
其中：
下面给出扰动的Kuhn_Tucker条件：
原始对偶内点法就是用Newton法解上面的扰动的Kuhn_Tucker条件，通过下式求解迭代步长
第一步求解
第二步求解
第三步求解
通过第二式得到
我们令：
则可简化为：
则：
第四步求解
利用上面的表示方法，我们得到：
至此，我们计算出了迭代步长。
MapReduce----并行支持向量机（PSVM）第二部分之原始对偶内点法,布布扣,bubuko.com
MapReduce----并行支持向量机（PSVM）第二部分之原始对偶内点法
标签：并行支持向量机 svm 机器学习 分布式 mapreduce
原文地址：http://blog.csdn.net/zhangping1987/article/details/29187865
