基于Hadoop云平台的分布式支持向量机研究

山西师范大学 牛科

本文在并行SVM算法训练过程中，采用了遗传算法对支持向量机的核函数类型、惩罚因子以及核函数参数进行了组合优化。实验结果分析表明，与依赖于经验值进行参数设置的传统SVM算法相比，采用遗传算法进行参数组合优化的SVM算法的预测精度得到了比较显著的提高。 在UCI标准数据集上从训练时间、预测精度等方面对本文所提出的算法的可行性以及表现性能进行了的一系列实验分析，结果表明，并行化的SVM算法与传统的SVM算法相比，在不显著降低预测精度的前提下，训练时间复杂度得到了比较明显的降低。 同时，本文使用加速比分析了并行算法所需的训练时间与Hadoop集群中计算节点数目之间的关系。实验结果分析表明，随着集群中计算节点数目的不断增加，加速比呈现出较快的上升趋势。

基于Hadoop云平台的分布式支持向量机研究