什么时候Dlib的svm_c_linear_trainer比svm_c_linear_dcd_trainer好？

Question

我遇到了带有高维标记输入且样本量相对较小的机器学习问题。使用非常酷的visual guide使我进入了svm_c_linear_trainer方法。但是我从文档中了解到，类似的svm_c_linear_dcd_trainer可以选择“热启动”，这听起来比“冷启动”更好，例如在交叉验证循环中。但是，svm_c_linear_dcd_trainer是针对不同类型问题的选择方法，主要区别在于对未标记数据的应用。

在标记的数据上使用svm_c_linear_dcd_trainer是否会出现问题，或者还有svm_c_linear_trainer更好的理由吗？

Answer 1

关于双下降SVM的article以及DLib网站上的documentation都显示svm_c_linear_dcd_trainer 可以用作替代产品标准线性SVM的结果。

应该具有出色的性能（引用文章的引言）：

  

实验表明，我们的   该方法比最新的实现要快。

...，因为该算法据说可以更好地利用优化功能，并且可以提供与标准SVM算法相同的结果。

第6页和第7页，其中将它与几个不同数据集上的其他算法进行比较可能会让您特别感兴趣。