基于Hadoop云平臺的分布式支持向量機研究.pdf_第1頁
已閱讀1頁,還剩61頁未讀, 繼續(xù)免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權,請進行舉報或認領

文檔簡介

1、支持向量機(Support Vector Machine, SVM)是Vapnik等人提出的一種基于統(tǒng)計學理論的機器學習算法。該算法在建立在統(tǒng)計學習理論的VC維理論和最小化結構風險原理的基礎上,在解決小樣本、非線性以及高維模式識別問題中都表現(xiàn)出了良好的性能。因此,這種新型的機器學習方法越來越受到各個領域的專家和學者們的青睞,日益成為數(shù)據(jù)挖掘技術中解決分類和回歸問題的一個強有力的工具。
  然而,隨著數(shù)據(jù)集規(guī)模的逐漸增大,SVM算法

2、在訓練過程中尋找全局最優(yōu)支持向量的過程變的十分緩慢,并且占用大量的計算機軟硬件資源,甚至無法在有效的時間和實際環(huán)境允許的條件下得到訓練模型。
  云計算的提出為海量數(shù)據(jù)挖掘技術的發(fā)展帶來了曙光。憑借云平臺分布式文件系統(tǒng)強大的存儲能力,同時將傳統(tǒng)的數(shù)據(jù)挖掘算法進行分布式并行化處理,給海量數(shù)據(jù)挖掘技術的發(fā)展提供了良好的契機。
  本文從Hadoop云平臺的分布式文件系統(tǒng)(HadoopDistributed File System

3、,HDFS)和分布式編程框架MapReduce兩個方面對當前最流行的開源云計算平臺Hadoop進行了闡述,同時,對MapReduce計算框架的內(nèi)部運行機制進行了深入剖析,并在Linux環(huán)境下基于Hadoop-1.0.0版本搭建了完全分布式的Hadoop云平臺。
  Hadoop云平臺依靠HDFS實現(xiàn)了對大規(guī)模數(shù)據(jù)集的分塊存儲。本文通過讀取hdfs-site.xml配置文件中的dfs.block.size屬性,將數(shù)據(jù)集按照容量大小進

4、行了劃分,然后,對分配在datanode節(jié)點上的每個block采用基于MapReduce編程框架的并行SVM算法進行并行化訓練。
  傳統(tǒng)的支持向量機算法在訓練過程中的參數(shù)設置主要依賴于經(jīng)驗值的選取。本文在并行SVM算法訓練過程中,采用了遺傳算法對支持向量機的核函數(shù)類型、懲罰因子以及核函數(shù)參數(shù)進行了組合優(yōu)化。實驗結果分析表明,與依賴于經(jīng)驗值進行參數(shù)設置的傳統(tǒng)SVM算法相比,采用遺傳算法進行參數(shù)組合優(yōu)化的SVM算法的預測精度得到了比

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經(jīng)權益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論