我们都知道SVM的目标功能是经过反复训练的。为了继续训练，如果我们想在同一训练数据集上继续，至少我们可以存储迭代中使用的所有变量。
同时，如果我们想在略有不同的数据集上进行训练，我们该怎么做才能充分利用先前训练过的模型？还是这种想法有意义？我认为如果训练K均值模型是很合理的。但是我不确定对于SVM问题是否仍然有意义。
通常，这没有任何意义。SVM训练是针对每个训练集向量的优化过程。每个训练向量都有一个相关系数，结果是0（无关）或> 0（支持向量）。添加另一个训练向量会带来另一个不同的优化问题。
我能想到的重用先前训练信息的唯一方法是从先前训练中选择支持向量，并将其添加到新训练集中。我不确定，但这可能会对推广产生负面影响-SVM的VC维度与支持向量的数量有关，因此将先前的支持向量添加到新数据集中可能会增加支持向量的数量。
显然，如lennon310的答案所述，还有更多的可能性。
本文收集自互联网，转载请注明来源。
如有侵权，请联系[email protected] 删除。
我来说两句