您好、欢迎来到现金彩票网!
当前位置:盛宏彩票 > 方向向量 >

2012316 微博热报:生物学角度看并行计算与支持向量机

发布时间:2019-05-21 01:50 来源:未知 编辑:admin

  S=1/(a+(1-a)/n) 其中,a 为串行计算部分所占比例,n 为并行处理结点个数。这样,当 a=0 时,最大加速比 s=n;当 a=1 时,最小加速比 s=1;当 n→∞时,极限加速比 s→ 1/a,这也就是加速比的上限。这被称为阿姆达尔定律 (Amdahl law)。不过现在可以使用非阻塞锁。

  最近一直觉得,一个 CPU 里面几亿个晶体管,只有极少一部分是真正在运算的,其他的全是为了让这“极少一部分”工作得更有效率而存在。这是不是方向错了,我们只是因为惯性而沿着原来的路子走而已?哪位达人去听听那个 WebCast 翻译一个比较完整的内容出来?

  一说并行运算,多数人都会忘了 CPU 是什么东西,自认为最专业的计算专家们一直都把电脑当成计算器,太特么土了~~~

  支持向量机,英文为 Support Vector Machine,简称 SV 机(论文中一般简称 SVM)。它是一种监督式的方法,它广泛的应用于统计分类以及回归分析中。支持向量机属于一般化线性分类器。他们也可以认为是提克洛夫规范化(Tikhonov Regularization)方法的一个特例。这族分类器的特点是他们能够同时最小化经验误差与最大化几何边缘区。因此支持向量机也被称为最大边缘区分类器。

  从上一个观点出发,在 loss+penalty 的框架下,penalty 其实更加重要。因为高维的数据很多时候都是线性可分的,也即存在无穷多错误率为 0 的分类面,要通过正则化从中进行选取。文章里通过一个实验验证了正则因子的重要性。

  要理解 SVM 的成功,我觉得可以考虑以下几个方面:第一,SVM 求解最优分类器的时候,使用了 L2-norm regularization,这个是控制 Overfitting 的关键。第二,SVM 不需要显式地构建非线性映射,而是通过 Kernel trick 完成,这样大大提高运算效率。

  所以我个人认为,性能上,SVM, LR, BOOST 等差不太多 (LS 有时候会差一些)。选择的时候要考虑更多的是模型的副产品,比如概率解释找 LR,效率 boost 好些,稀疏解 LASSO 等。

  推荐理由:腾讯网媒产品技术部高级工程师,Lamp 程序开发、全文检索以及数据挖掘技术专家。

  欢迎读者关注@InfoQ,推荐热门话题,可私信@InfoQ,同时请您说明推荐理由。

http://monokkeli.net/fangxiangxiangliang/251.html
锟斤拷锟斤拷锟斤拷QQ微锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷锟斤拷微锟斤拷
关于我们|联系我们|版权声明|网站地图|
Copyright © 2002-2019 现金彩票 版权所有