SVM的增量学习

Question

哪些实际应用中（机器学习）算法的增量学习很有用？ SVM是否适用于此类应用程序？ 解决方案是否比使用包含旧支持向量和新训练向量的集合进行再训练更加计算密集？

Answer 1

有一个众所周知的SVM增量版本：

• http://www.isn.ucsd.edu/pubs/nips00_inc.pdf

然而，现有的实现并不多，可能是Matlab中有些东西：

• http://www.isn.ucsd.edu/svm/incremental/

这种方法的优点在于它提供了精确的一次性评估 培训数据的泛化表现

Answer 2

theres是朝向大型“核心”数据集的趋势，这些数据集通常从网络，磁盘或数据库流入。一个真实世界的例子是流行的nyc出租车数据集，在330 + gb时，桌面统计模型无法轻易解决。

svms，作为“一批”算法，必须将整个数据集加载到内存中。因此，它们不适合增量学习。相反，学习者喜欢逻辑回归，kmeans，神经网络，能够部分学习，是这类任务的首选。