一些初步测试表明，我正在从事的项目可能会受益于使用支持向量机解决棘手的问题。我担心的是将会存在主要的内存限制。原型和测试是通过scikit-learn在python中完成的。最终版本将以C语言定制编写。模型将经过预训练，并且只有决策函数会存储在最终产品上。将有<= 10个训练功能，而<= 5000个训练数据点。我一直在阅读有关SVM内存的杂物，并且我知道默认的sklearn内存缓存为200 MB。 （比我现有的大得多）这可行吗？我知道有多种不同类型的SVM内核，并且内核也可以自定义编写。如果有的话，这可能与哪些内核类型一起工作？
答案 0 :(得分：2)
如果空间有限，您可能要跳过scikit并自己实现数学。这样，您可以按自己选择的结构循环浏览数据。内存需求取决于您所使用的SVM的类别。一次遍历数据就可以完成两类线性SVM，并且在累积乘积和时一次只考虑一次观察，因此命令逻辑将比数据需求占用更多的空间。
如果您需要将整个数据集保留在内存中以进行多次遍历，则浮点数“仅”为5000 * 10 * 8字节，即1Mb的400k，这可能足以容纳做你的操作。还请考虑一个缓慢的训练过程，每次通过时都要重新读取数据，因为这样可以将400k减少到微不足道的时间，而这只是墙上时钟的时间。
如果您查找可用的SVM实现并根据需要更改I / O部分，那么所有这些都在您的控制之下。
有帮助吗？