我们都知道SVM的目标函数是迭代训练的。为了继续训练,如果我们想继续使用相同的训练数据集,至少我们可以存储迭代中使用的所有变量。
但是,如果我们想在稍微不同的数据集上进行训练,我们应该怎样做才能充分利用之前训练的模型呢?或者说这样的想法有道理吗?我觉得如果我们训练一个K-means模型是非常合理的。但我不确定它对于 SVM 问题是否仍然有意义。
最佳答案
有一些关于这个主题的文献:
alpha-seeding ,其中训练数据被分成 block 。在第
第
block 上训练 SVM 后,您可以使用它们来训练第(i+1)
block 上的 SVM。Incremental SVM作为在线学习,您可以使用新示例更新分类器,而不是重新训练整个数据集。
SVM heavy还包含在线 SVM 培训。
关于machine-learning - 如何在之前的模型的基础上继续训练SVM,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/21188725/