Resumen

El algoritmo de aprendizaje de clasificación ha cobrado importancia en los últimos años debido a su exitosa aplicación en la recuperación de información, el sistema de recomendación y la biología computacional, entre otros. La máquina de vectores de soporte de clasificación (RankSVM) es uno de los modelos de clasificación más avanzados y se ha utilizado favorablemente. El RankSVM no lineal (RankSVM con kernels no lineales) puede ofrecer una mayor precisión que el RankSVM lineal (RankSVM con un kernel lineal) para problemas de clasificación no lineales complejos. Sin embargo, los métodos de aprendizaje para RankSVM no lineal siguen consumiendo mucho tiempo debido al cálculo de la matriz del kernel. En este trabajo, proponemos un algoritmo de clasificación rápido basado en la aproximación del kernel para evitar el cálculo de la matriz del kernel. Exploramos dos tipos de métodos de aproximación del núcleo, a saber, el método de Nyström y las características aleatorias de Fourier. El método de Newton truncado primario se utiliza para optimizar la función objetivo L2-loss (Hinge-loss al cuadrado) del modelo de clasificación después de la aproximación del núcleo no lineal. Los resultados experimentales demuestran que nuestro método propuesto obtiene una velocidad de entrenamiento mucho más rápida que el kernel RankSVM y logra un rendimiento comparable o mejor que los algoritmos de clasificación más avanzados.

• Materias:Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva Fisiología vegetal
• Subjects:Genetic algorithms Brain - pathophysiology Cognitive Neuroscience Plant physiology
• Palabras claves:matriz del núcleo, cálculo del núcleo, características aleatorias de Fourier, mayor velocidad de entrenamiento, modelo de clasificación de arte, métodos de Newton truncado, aproximación no lineal del núcleo, tipo de núcleo, máquina de vectores de apoyo, métodos de aproximación del núcleo
• Keywords:kernel matrix, calculation of kernel, random fourier features, faster training speed, art ranking model, truncated newton methods, nonlinear kernel approximation, type of kernel, support vector machine, kernel approximation methods